セキュリティ領域のスキル標準「ITSS+」【2017年6月5日】
1 位置付け |
1.1 iコンピテンシ・ディクショナリの補足として活用 |
1.2 従来のiコンピテンシ・ディクショナリでは、まだに辞書化が十分でない領域 |
1.3 専門的なセキュリティ業務の役割の観点により、経営課題への対応から設計・開発、運用・保守、セキュリティ監査における13の専門分野を具体化 |
1.4 新たに創設された国家資格「情報処理安全確保支援士(登録セキスペ)」が想定する業務を包含 |
2 スキル領域一覧 |
2.1 情報リスクストラテジ |
2.2 情報セキュリティデザイン |
2.3 セキュア開発管理 |
2.4 脆弱性診断 |
2.5 情報セキュリティ |
2.6 アドミニストレーション |
2.7 情報セキュリティ |
2.8 アナリシス |
2.9 CSIRTキュレーション |
2.10 CSIRTリエゾン |
2.11 CSIRTコマンド |
2.12 インシデントハンドリング |
2.13 デジタルフォレンジクス |
2.14 情報セキュリティ |
2.15 インベスティゲーション |
2.16 情報セキュリティ監査 |
3 専門分野 |
3.1 情報リスクストラテジ |
3.1.1 自組織または受託先における業務遂行の妨げとなる情報リスクを認識し、その影響を抑制するための、組織体制の整備や各種ルール整備等を含む情報セキュリティ戦略やポリシーの策定等を推進する。自組織または受託先内の情報セキュリティ対策関連業務全体を俯瞰し、アウトソース等を含むリソース配分の判断・決定を行う。 |
3.2 情報セキュリティデザイン |
3.2.1 「セキュリティバイデザイン」の観点から情報システムのセキュリティを担保するためのアーキテクチャやポリシーの設計を行うとともに、これを実現するために必要な組織、ルール、プロセス等の整備・構築を支援する。 |
3.3 セキュア開発管理 |
3.3.1 情報システムや製品に関するリスク対応の観点に基づき、機能安全を含む情報セキュリティの側面から、企画・開発・製造・保守などにわたる情報セキュリティライフサイクルを統括し、対策の実施に関する責任をもつ。 |
3.4 脆弱性診断 |
3.4.1 ネットワーク、OS、ミドルウェア、アプリケーションがセキュアプログラミングされているかどうかの検査を行い、診断結果の評価を行う。 |
3.5 情報セキュリティ |
3.5.1 組織としての情報セキュリティ戦略やポリシーを具体的な計画や手順に落とし込むとともに、対策の立案や実施(指示・統括)、その見直し等を通じて、自組織または受託先における情報セキュリティ対策の具体化や実施を統括する。また、利用者に対する情報セキュリティ啓発や教育の計画を立案・推進する。 |
3.6 情報セキュリティアドミニストレーション |
3.6.1 組織としての情報セキュリティ戦略やポリシーを具体的な計画や手順に落とし込むとともに、対策の立案や実施(指示・統括)、その見直し等を通じて、自組織または受託先における情報セキュリティ対策の具体化や実施を統括する。また、利用者に対する情報セキュリティ啓発や教育の計画を立案・推進する。 |
3.7 情報セキュリティアナリシス |
3.7.1 情報セキュリティ対策の現状に関するアセスメントを実施し、あるべき姿とのギャップ分析をもとにリスクを評価した上で、自組織または受託先の事業計画に合わせて導入すべきソリューションを検討する。導入されたソリューションの有効性を確認し、改善計画に反映する。 |
3.8 CSIRTキュレーション |
3.8.1 情報セキュリティインシデントへの対策検討を目的として、セキュリティイベント、脅威や脆弱性情報、攻撃者のプロファイル、国際情勢、メディア動向等に関する情報を収集し、自組織または受託先に適用すべきかの選定を行う。 |
3.9 CSIRTリエゾン |
3.9.1 自組織外の関係機関、自組織内の法務、渉外、IT部門、広報、各事業部等との連絡窓口となり、情報セキュリティインシデントに係る情報連携及び情報発信を行う。必要に応じてIT部門とCSIRTの間での調整の役割を担う。 |
3.10 CSIRTコマンド |
3.10.1 自組織で起きている情報セキュリティインシデントの全体統制を行うとともに、事象に対する対応における優先順位を決定する。重大なインシデントに関してはCISOや経営層との情報連携を行う。また、CISOや経営者が意思決定する際の支援を行う。 |
3.11 インシデントハンドリング |
3.11.1 自組織または受託先におけるセキュリティインシデント発生直後の初動対応(被害拡大防止策の実施)や被害からの復旧に関する処理を行う。セキュリティベンダーに処理を委託している場合には指示を出して連携する。情報セキュリティインシデントへの対応状況を管理し、CSIRTコマンドのタスクを担当する者へ報告する。 |
3.12 デジタルフォレンジクス |
3.12.1 悪意をもつ者による情報システムやネットワークにを対象とした活動の証拠保全を行うとともに、消されたデータを復元したり、痕跡を追跡したりするためのシステム的な鑑識、精密検査、解析、報告を行う。 |
3.13 情報セキュリティインベスティゲーション |
3.13.1 情報セキュリティインシデントを対象として、外部からの犯罪、内部犯罪を捜査する。犯罪行為に関する動機の確認や証拠の確保、次に起こる事象の推測などを詰めながら論理的に捜査対象の絞り込みを行う。 |
3.14 情報セキュリティ監査 |
3.14.1 情報セキュリティに係るリスクのマネジメントが効果的に実施されるよう、リスクアセスメントに基づく適切な管理策の整備、運用状況について、基準に従って検証又は評価し、もって保証を与えあるいは助言を行う。 |
4 専門分野×タスク対応表 |
5 専門分野×スキル対応表 |
6 登録セキスペとの関係 |
6.1 情報システムのライフサイクルに応じた各セキュリティ専門分野の対象フェーズの分類 |
6.2 |
7 共通レベル定義 |
7.1 レベル7 |
7.1.1 社内外にまたがり、テクノロジやメソドロジ、ビジネス変革をリードするレベル。 |
7.1.2 市場への影響力がある先進的なサービスやプロダクトの創出をリードした経験と実績を持つ世界で通用するプレーヤ。 |
7.2 レベル6 |
7.2.1 社内外にまたがり、テクノロジやメソドロジ、ビジネス変革をリードするレベル。 |
7.2.2 社内だけでなく市場から見ても、プロフェッショナルとして認められる経験と実績を持つ国内のハイエンドプレーヤ。 |
7.3 レベル5 |
7.3.1 社内において、テクノロジやメソドロジ、ビジネス変革をリードするレベル。 |
7.3.2 社内で認められるハイエンドプレーヤ。 |
7.4 レベル4 |
7.4.1 一つまたは複数の専門を獲得したプロフェッショナルとして、専門スキルを駆使し、業務上の課題の発見と解決をリードするレベル。 |
7.4.2 プロフェッショナルとして求められる、経験の知識化とその応用(後進育成)に貢献する。 |
7.5 レベル3 |
7.5.1 要求された作業を全て独力で遂行するレベル。 |
7.5.2 専門を持つプロフェッショナルを目指し、必要となる応用的知識・技能を有する。 |
7.6 レベル2 |
7.6.1 要求された作業について、上位者の指導の下、その一部を独力で遂行するレベル。 |
7.6.2 プロフェッショナルに向けて必要となる基本的知識・技能を有する。 |
7.7 レベル1 |
7.7.1 要求された作業について、上位者の指導を受けて遂行するレベル。 |
7.7.2 プロフェッショナルに向けて必要となる基本的知識・技能を有する。 |
データサイエンス領域のスキル標準「ITSS+」【2017年4月13日】
1 位置付け |
1.1 iコンピテンシ・ディクショナリの補足として活用 |
1.2 従来のiコンピテンシ・ディクショナリでは、まだに辞書化が十分でない領域 |
1.3 ビッグデータや人工知能(AI)など、第4次産業革命に向けて必要性の高い領域のサービス・システムの構築・運用における専門分野を具体化 |
1.4 IPAがこれまで公開してきたITSSには含まれていない新規の領域。一般社団法人データサイエンティスト協会との協業により策定。 |
2 スキルカテゴリ |
2.1 ビジネス |
2.1.1 課題背景を理解した上で、ビジネス課題を整理し、解決する。 |
2.2 データサイエンス |
2.2.1 情報処理、人工知能、統計学などの情報科学系の知恵を理解し、活用する。 |
2.3 データエンジニアリング |
2.3.1 データサイエンスを意味のある形に使えるようにし、実装、運用する。 |
3 タスク構造 |
3.1 |
4 タスク |
4.1 分析プロジェクトの立ち上げと組み込み後の業務設計 |
4.1.1 前提条件の明確化 |
4.1.1.1 分析プロジェクト(データサイエンスを活用し、課題解決を行う一連の取組)のステークホルダーを明らかにする |
4.1.1.2 分析プロジェクトの背景や問題意識を踏まえて目的とゴールを明らかにし、ステークホルダー間で共有する |
4.1.2 目標の明確化 |
4.1.2.1 分析プロジェクトの目標を設定する |
4.1.2.2 分析プロジェクトの目標と評価方法を具体化し、定量的な成功基準を設定するとともに、成功基準の判定時期・判定者を決定する |
4.1.3 推進体制設計 |
4.1.3.1 分析プロジェクトの難易度に応じ、実施体制と役割分担を、メンバーの個々のデータ分析スキル、チームの総合的なバランスを考慮し、決定する |
4.1.3.2 分析プロジェクトの実施計画を作成する |
4.1.3.3 分析プロジェクトに必要なコストと分析プロジェクトの実施によって得られる利益(コスト削減効果を含む)を算出する |
4.1.3.4 分析プロジェクトの実現性について評価・検討する |
4.1.4 計画の承認 |
4.1.4.1 分析プロジェクトの実施計画について、ステークホルダーに説明し、必要に応じて調整を行って合意を形成する |
4.1.4.2 分析プロジェクトの実施計画について、ステークホルダーの承認を得る |
4.1.5 環境整備 |
4.1.5.1 分析プロジェクトに必要なハードウェア環境を設計・整備する |
4.1.5.2 分析プロジェクトに必要な通信環境を設計・整備する |
4.1.5.3 分析プロジェクトに必要なソフトウェア環境を設計・整備する |
4.1.5.4 不必要な情報の漏れがないように暗号化を行い、防御態勢を解析開始前に整える |
4.1.6 組み込み後の業務設計 |
4.1.6.1 データ分析結果を利用・適用する対象業務のプロセス等を把握/設計する |
4.1.6.2 取扱データ別にデータの利活用及び開示のガイドラインと管理・アクセス方法をステークホルダー間で設定する |
4.1.6.3 対象業務の運用体制や運用方法を決定する |
4.1.6.4 対象業務の目的や目標を確認し、モニタリング方針・方法やモニタリング時のKPIを決定する |
4.2 データの作成と収集 |
4.2.1 データ分析設計 |
4.2.1.1 データの収集方法、加工方法、分割・統合、蓄積・保存方法等の処理プロセスを決定する |
4.2.1.2 対象業務に必要となるデータの種類と対象業務の目的に合ったデータ分析手法及びモデル要件(安定性・頑健性、監査性、保守性など)を検討する |
4.2.1.3 モデルの構築手法、評価手法(予測性能、判別性能、クラスタリング性能など)、検証方法(クロスバリデーションや、リサンプリングなどによる検証のためのデータ分割方法)を検討する |
4.2.2 データ収集 |
4.2.2.1 対象業務の目的を踏まえて利用・収集可能なデータとその収集方法(WEBデータの収集、システムからのデータの出力・加工、外部データの獲得・連携等)を決定する |
4.2.2.2 検討したデータが現実的に利用・収集可能かどうかを確認・検証し、利用するデータを収集する |
4.3 構造化データ加工 |
4.3.1 データ加工 |
4.3.1.1 重複や欠損、外れ値、異常値など、除外または補正するべきデータのクレンジング方針を検討し実行する |
4.3.1.2 分析目的に照らし、必要十分なサンプリングデータを実験計画法などを用いて作成する |
4.3.1.3 分析目的に照らして、必要な閾値及び分布等を踏まえ、データを加工・整形する |
4.3.1.3.1 (例)データ結合、データ型変換、転置 |
4.3.2 データ利用環境の構築 |
4.3.2.1 利用者向けのデータマート等の要件を把握する |
4.3.2.2 利用者向けのデータマート等を設計・準備する |
4.3.2.3 必要に応じて利用者向けのシステムやインタフェースを準備する |
4.4 解析用データ準備 |
4.4.1 入力変数データと目的変数データの作成 |
4.4.1.1 目的変数、及びその必要性(教師なし学習など)を定義し、目的変数データと説明変数の元となる入力データを作成する(目的変数については、変数の内容だけではなく時点や期間も考慮する) |
4.4.2 データの準備 |
4.4.2.1 モデルを構築するために十分なデータ(学習データ)と評価に必要なデータ(モデルを検証・チューニングするための検証データや、最終確認を行うためのテストデータなど)に分割するとともに、モデリング手法に応じ必要なデータの加工を行う(数値の正規化、データのシャッフルなど) |
4.5 データ解析 |
4.5.1 データ集計、抽出 |
4.5.1.1 データ集計・抽出の設計をする(検索条件・抽出条件・集計関数などを決定する) |
4.5.1.2 データ集計・抽出を行う |
4.5.2 性質・関係性の把握 |
4.5.2.1 収集したデータの基礎統計量(平均値、中央値、最頻値、標準偏差、分散など)を確認し、全体のバラツキや傾向、異常値などを把握する |
4.5.2.2 収集したデータを異なるレイヤで集計し、データが本来持つべき意味や活動目的の視点から違和感がないかどうかを見極める |
4.5.2.3 収集したデータに対する基本的な分析(クロス集計、可視化など)を実施し、基本的な2変数間の関係性や傾向を把握する |
4.5.2.4 収集した3次元以上の多変量データに対する分析(平行座標プロット、ネットワーク分析等)を実施し、多変量におけるデータ間の関係性や傾向を把握する |
4.5.2.5 データ間にどのような関係性(例:因果関係、ボトルネックなど)があるかを事前検討し、検証方法(手法例:主成分分析、因子分析など、定義例:距離定義など)を決め、関係性の有無を検証する |
4.5.3 検定 |
4.5.3.1 医薬品開発などにおいて、母集団の平均の推定、2群や多群間の平均値の差などの有意差を検定する(t検定、クラスカル・ウォリス検定など) |
4.5.3.2 品質管理などにおいて、サンプリングを行い、抽出されたサンプルから不良率などの検定を行い、評価する |
4.5.3.3 A/Bテストの実施により得られた結果に対し、標本数が少ない場合、検定を行い有意差を判断する(カイ二乗検定など) |
4.5.4 予測・判別 |
4.5.4.1 分析目的や選択するモデル手法の観点から、必要となる説明変数データや特徴値を作成する(手法例:p値による選択、正則化による除外・抑制、機械学習による自動作成など) |
4.5.4.2 (数値予測)売上予測、価格予測、発生確率予測など数値の予測モデルを構築する(手法例:重回帰分析、ロジスティック回帰、ニューラルネットワークなど) |
4.5.4.3 (2値の判別・予測)与信可否判断や迷惑メール判別、顧客離脱など、二つの状態に対する判別・予測モデルを構築する(手法例:ロジスティック回帰、サポートベクターマシン(SVM)など) |
4.5.4.4 (クラスの判別・予測)新規顧客のセグメントや将来の顧客行動パターンなど、新たに発生するデータを分類するための判別・予測モデルを構築する(手法例:決定木、ニューラルネットワークなど) |
4.5.4.5 (時系列予測)株価や景気変動など、過去の時系列データに基づく将来の推移・変動予測モデルを構築する(手法例:自己回帰モデル、移動平均モデル、ARIMA、SARIMAなど) |
4.5.5 グルーピング |
4.5.5.1 顧客のターゲティング/セグメンテーションや、データ傾向の把握を行うため、着目する類似度、距離を定義し、対象をいくつかのグループに分類する(必要に応じて、分析の目的と評価指標に従って適切なクラスタやグループ数を決定する)(手法例:階層クラスター分析、非階層クラスター分析(k-means等)、自己組織化マップ(SOM)など) |
4.5.5.2 故障検知、不正検知などを目的として、データ全体の傾向から著しく離れた対象(外れ値)や、既知のデータとは振る舞いが異なる異常パターンを早期検知/検出する(手法例:k近傍法、One-class SVM、反復子ニューラルネットワーク、及び検定、統計モデル、クラスター分析に基づく手法など) |
4.5.6 パターン発見 |
4.5.6.1 ヒトの行動データや製品のログデータなどにおいて頻出するパターンを抽出する(手法例:アプリオリアルゴリズムなど) |
4.5.6.2 行動データや意識調査データから、コンテキストや意図/ニーズを把握する(手法例:主成分分析や因子分析など) |
4.5.6.3 バイタルデータや行動データから、個体特有のパターンを学習し、個人を識別する(手法例:ニューラルネットワークなど) |
4.5.6.4 行動や嗜好の類似性/共起性を抽出し、レコメンデーションルールを作成する(手法例:協調フィルタリングなど) |
4.5.7 最適化 |
4.5.7.1 最適化問題(金融ポートフォリオ、生産計画、勤務シフト、貨物積載量、広告配信量など)において、対象の条件や制約を定義する |
4.5.7.2 定義した条件を元に変数、目的関数、制約を定式化する |
4.5.7.3 目的に適したアルゴリズム・解法を選択し、モデリングし、最適化する(手法例:線形計画法、非線形計画法、組み合わせ最適化など) |
4.5.8 シミュレーション |
4.5.8.1 企業収益や交通量などの予測において、現実のデータ分布を観察し、シミュレーションの前提となるモデル式、確率分布、初期値、境界条件を定義する |
4.5.8.2 モンテカルロ法、エージェントベースモデルなどの技法から適切な手法を選択し、モデル式やパラメータを設定しシミュレーションを実行する |
4.6 データ可視化 |
4.6.1 可視化の企画とデータ収集 |
4.6.1.1 可視化の目的、メッセージを明確にする |
4.6.1.2 目的・メッセージに沿った、分析の比較軸候補を洗い出す |
4.6.1.3 必要なデータ、その取得項目・形式・精度を決める |
4.6.1.4 データ入手・転送・蓄積方法を設計・実行する |
4.6.2 2軸チャート化 |
4.6.2.1 一般的な2軸チャート化においてチャート種、軸、値のきざみを決める |
4.6.3 多次元の可視化 |
4.6.3.1 多次元の可視化(平行座標、散布図行列など)において、同時に表現する属性数を調整する |
4.6.4 関係性の可視化 |
4.6.4.1 統計的な関係性の可視化(ネットワーク構造、グラフ構造、階層構造など)において、ノード、エッジ、クラスター数等を特徴把握できる規模に調整する |
4.6.5 地図上の可視化 |
4.6.5.1 平面地図上に重ね合わせた可視化(GPSデータなど)において、位置情報への各種データを重ね合わせや、必要に応じた地図の地域分割を行う |
4.6.6 挙動・軌跡の可視化 |
4.6.6.1 挙動・軌跡の可視化(Eye trackingなど)において、下地となる図に合わせて座標データを定義する |
4.6.6.2 見たいデータ粒度の挙動・軌跡となるようサンプリングやアンサンブル平均によってデータ量を減らす |
4.6.7 ダイナミックな可視化 |
4.6.7.1 必要な時間分解能で表現できるように特異点の抽出や次元圧縮を通じてデータを圧縮する |
4.6.8 リアルタイム可視化 |
4.6.8.1 必要なリアルタイム性に応じてデータの分割転送、復元をコーディングする |
4.7 非構造化データ処理 |
4.7.1 方針検討 |
4.7.1.1 目的を踏まえ、非構造化データの処理方針を検討する(言語:ポジネガ分析など、画像:画像認識など、音:本人認証など) |
4.7.2 言語処理 |
4.7.2.1 (データ収集)Webクローリング、DBアクセス、アンケート、文字認識、音声認識などの結果からテキストデータを収集し、HTMLタグ等の不要な表現を除去して分析しやすいように整備する |
4.7.2.2 (辞書構築)当該分野の専門用語や、同義語、類義語、対義語、人名・地名の辞書を、クラウドソーシングによる多数のユーザへのアンケートで収集したり、ブートストラップ法による事例の半自動生成手法を用いて構築する |
4.7.2.3 (構造解析)構築した辞書を活用してパラメータ調整を行った形態素解析器、構文解析器、固有表現抽出器などを用いてテキストデータの構造解析を行う |
4.7.2.4 (特徴量変換)低頻度語やストップワードの除去、名詞や動詞の正規化などを行い、テキストデータを単語集合(Bag-of-words)、分散表現などの分析しやすい特徴量に変換する |
4.7.2.5 (教師あり分析)人手もしくは半自動で正解ラベルを収集したのち、SVMなどの教師あり分類学習を行い、文書のジャンルや感情の判定、単語の品詞やカテゴリの推定を行う |
4.7.2.6 (教師なし分析)トピックモデル(Latent Dirichlet Allocation/LDA)などの統計モデルを用いて、文書をクラスタリングして類似文書にまとめたり、文書中の代表的なトピックの推定を行う |
4.7.2.7 (情報検索)転置インデックスのような索引構造や潜在意味インデクシング(LSI)のような次元圧縮手法を用いて文書の厳密・類似検索を高速に行う |
4.7.2.8 (文書生成)Nグラム統計モデルや再起ニューラルネットワーク(RNN)などを用いて、翻訳、要約、対話、Q&Aなどの出力テキストを生成する |
4.7.3 画像処理 |
4.7.3.1 画像データに付随するメタデータ(何の画像か、撮影条件、関心領域(Region of Interest )等)を紐付ける |
4.7.3.2 画像データを生成したセンサー特性にあった補正・修正を行う |
4.7.3.3 分析しやすいデータフォーマット(チャンネルの設定、画素値の正規化・レベル変換、サイズ等)に変換する |
4.7.3.4 (類似画像推定)画像間の類似度を定義する順序や距離、画像特徴量を与える手法を決定するとともに、類似画像を列挙するための特徴量を適切に保存・検索する手法も同時に検討する |
4.7.3.5 (画像認識)画像のメタデータから認識対象のラベルデータを抽出し、画像特徴量を与える手法、ラベルデータを対応付ける手法を決定する |
4.7.3.6 (画像復元)復元精度を測る指標を選び、指標を最適化するような復元手法を決定する |
4.7.4 音声/音楽処理 |
4.7.4.1 音をデジタルデータとして、wav や mp3 などにフォーマットする |
4.7.4.2 音データからノイズ、雑音などの余計な音を識別して除去する |
4.7.4.3 分析目的にあったデータ(音高、音量など)を抽出する |
4.7.4.4 (本人認証や話者識別)音声データから抽出したスペクトラムやメル周波数ケプストラム係数(MFCC)などの特徴量を用いて、本人認証や話者識別のためのパラメータの推定・モデル構築・精度評価を行う |
4.7.4.5 (感情分析)音声データから抽出した周波数や音量変化量などの特徴量を用いて、感情を識別するパラメータの推定・モデル構築・精度評価を行う |
4.7.4.6 (テキスト化)音声データから抽出した周波数を用いて音響モデルを構築し、さらに音声データから書き起こしたテキストから言語モデルを構築し、テキスト識別するためのパラメータの推定・モデル構築・精度評価を行う |
4.7.4.7 (音楽分析)音楽データから、周波数やMFCC、さらにテンポやコード進行などの特徴量を抽出し、ジャンルやアーティストなどを識別するパラメータ推定・モデル構築・精度評価を行う |
4.8 評価 |
4.8.1 モデル評価 |
4.8.1.1 (性能評価・確認)データ分析設計により定めた評価手法によりモデル評価を行う(モデルパフォーマンスに対する目標水準が設定可能な場合においては、その水準を満たしているか評価する) |
4.8.1.2 (性能検証)データ分析設計にて定めた検証手法により、モデルパフォーマンスの検証を行い、必要に応じて説明変数やパラメータのチューニングを行う(データ解析タスクの再実施) |
4.8.1.3 (モデル理解)モデルの構造から入力と出力の関係性を理解する(各説明変数の寄与度確認や、モデル式に対する業務的解釈など) |
4.8.1.4 (モデル選定)候補モデルに対する最終なパフォーマンス確認を行い、業務要件やモデル要件も考慮の上、最終モデルを選定する |
4.8.2 分析評価 |
4.8.2.1 (仮説の検証)事前に打ち立てた関係性や法則などの仮説と分析結果を照らし合わせ、活動目的に対する有効性の観点から、その妥当性を判断する |
4.8.2.2 (仮説の探索)データ分析結果から得られた関係性や法則などの仮説を確認し、またその仮説は活動目的に有効なものか判断する |
4.9 業務への組み込みと評価 |
4.9.1 業務への組み込み |
4.9.1.1 分析結果を業務で活用するためのソリューション開発を行う(小規模な表計算ソフトでのツール開発や大規模ビッグデータシステムへの組み込みなど) |
4.9.2 組み込み結果の評価 |
4.9.2.1 予め検討したKPIに基づき、データ分析結果を活用する業務が当初の想定通りに実施されているかどうかをモニタリングする |
4.9.2.2 当初の目的と照らして、データ分析結果を活用する業務の成果を評価する |
4.9.2.3 業務の成果を踏まえて、必要に応じてデータ処理方法や分析方法等について再検討を行う |
4.9.3 データ分析結果活用による業務改善 |
4.9.3.1 データ分析結果を活用して、業務上の問題点や課題を明らかにする |
4.9.3.2 明らかになった業務上の問題点や課題に対する対応策を検討する |
4.9.3.3 検討された対応策について、業務への反映と改善を図る |
4.9.4 ビジネス上の効果の把握とさらなる改善 |
4.9.4.1 データ分析結果の利用による業務上の成果を必要なステークホルダーに報告・フィードバックする |
4.9.4.2 ステークホルダーからの意見や要望を収集し、さらなる改善に活かす |
5 スキルチェックリスト【データサイエンティスト協会】 |
セキュリティ領域のスキル標準「ITSS+」【2017年6月5日】
1 位置付け |
1.1 iコンピテンシ・ディクショナリの補足として活用 |
1.2 従来のiコンピテンシ・ディクショナリでは、まだに辞書化が十分でない領域 |
1.3 専門的なセキュリティ業務の役割の観点により、経営課題への対応から設計・開発、運用・保守、セキュリティ監査における13の専門分野を具体化 |
1.4 新たに創設された国家資格「情報処理安全確保支援士(登録セキスペ)」が想定する業務を包含 |
2 スキル領域一覧 |
2.1 情報リスクストラテジ |
2.2 情報セキュリティデザイン |
2.3 セキュア開発管理 |
2.4 脆弱性診断 |
2.5 情報セキュリティ |
2.6 アドミニストレーション |
2.7 情報セキュリティ |
2.8 アナリシス |
2.9 CSIRTキュレーション |
2.10 CSIRTリエゾン |
2.11 CSIRTコマンド |
2.12 インシデントハンドリング |
2.13 デジタルフォレンジクス |
2.14 情報セキュリティ |
2.15 インベスティゲーション |
2.16 情報セキュリティ監査 |
3 専門分野 |
3.1 情報リスクストラテジ |
3.1.1 自組織または受託先における業務遂行の妨げとなる情報リスクを認識し、その影響を抑制するための、組織体制の整備や各種ルール整備等を含む情報セキュリティ戦略やポリシーの策定等を推進する。自組織または受託先内の情報セキュリティ対策関連業務全体を俯瞰し、アウトソース等を含むリソース配分の判断・決定を行う。 |
3.2 情報セキュリティデザイン |
3.2.1 「セキュリティバイデザイン」の観点から情報システムのセキュリティを担保するためのアーキテクチャやポリシーの設計を行うとともに、これを実現するために必要な組織、ルール、プロセス等の整備・構築を支援する。 |
3.3 セキュア開発管理 |
3.3.1 情報システムや製品に関するリスク対応の観点に基づき、機能安全を含む情報セキュリティの側面から、企画・開発・製造・保守などにわたる情報セキュリティライフサイクルを統括し、対策の実施に関する責任をもつ。 |
3.4 脆弱性診断 |
3.4.1 ネットワーク、OS、ミドルウェア、アプリケーションがセキュアプログラミングされているかどうかの検査を行い、診断結果の評価を行う。 |
3.5 情報セキュリティ |
3.5.1 組織としての情報セキュリティ戦略やポリシーを具体的な計画や手順に落とし込むとともに、対策の立案や実施(指示・統括)、その見直し等を通じて、自組織または受託先における情報セキュリティ対策の具体化や実施を統括する。また、利用者に対する情報セキュリティ啓発や教育の計画を立案・推進する。 |
3.6 情報セキュリティアドミニストレーション |
3.6.1 組織としての情報セキュリティ戦略やポリシーを具体的な計画や手順に落とし込むとともに、対策の立案や実施(指示・統括)、その見直し等を通じて、自組織または受託先における情報セキュリティ対策の具体化や実施を統括する。また、利用者に対する情報セキュリティ啓発や教育の計画を立案・推進する。 |
3.7 情報セキュリティアナリシス |
3.7.1 情報セキュリティ対策の現状に関するアセスメントを実施し、あるべき姿とのギャップ分析をもとにリスクを評価した上で、自組織または受託先の事業計画に合わせて導入すべきソリューションを検討する。導入されたソリューションの有効性を確認し、改善計画に反映する。 |
3.8 CSIRTキュレーション |
3.8.1 情報セキュリティインシデントへの対策検討を目的として、セキュリティイベント、脅威や脆弱性情報、攻撃者のプロファイル、国際情勢、メディア動向等に関する情報を収集し、自組織または受託先に適用すべきかの選定を行う。 |
3.9 CSIRTリエゾン |
3.9.1 自組織外の関係機関、自組織内の法務、渉外、IT部門、広報、各事業部等との連絡窓口となり、情報セキュリティインシデントに係る情報連携及び情報発信を行う。必要に応じてIT部門とCSIRTの間での調整の役割を担う。 |
3.10 CSIRTコマンド |
3.10.1 自組織で起きている情報セキュリティインシデントの全体統制を行うとともに、事象に対する対応における優先順位を決定する。重大なインシデントに関してはCISOや経営層との情報連携を行う。また、CISOや経営者が意思決定する際の支援を行う。 |
3.11 インシデントハンドリング |
3.11.1 自組織または受託先におけるセキュリティインシデント発生直後の初動対応(被害拡大防止策の実施)や被害からの復旧に関する処理を行う。セキュリティベンダーに処理を委託している場合には指示を出して連携する。情報セキュリティインシデントへの対応状況を管理し、CSIRTコマンドのタスクを担当する者へ報告する。 |
3.12 デジタルフォレンジクス |
3.12.1 悪意をもつ者による情報システムやネットワークにを対象とした活動の証拠保全を行うとともに、消されたデータを復元したり、痕跡を追跡したりするためのシステム的な鑑識、精密検査、解析、報告を行う。 |
3.13 情報セキュリティインベスティゲーション |
3.13.1 情報セキュリティインシデントを対象として、外部からの犯罪、内部犯罪を捜査する。犯罪行為に関する動機の確認や証拠の確保、次に起こる事象の推測などを詰めながら論理的に捜査対象の絞り込みを行う。 |
3.14 情報セキュリティ監査 |
3.14.1 情報セキュリティに係るリスクのマネジメントが効果的に実施されるよう、リスクアセスメントに基づく適切な管理策の整備、運用状況について、基準に従って検証又は評価し、もって保証を与えあるいは助言を行う。 |
4 専門分野×タスク対応表 |
5 専門分野×スキル対応表 |
6 登録セキスペとの関係 |
6.1 情報システムのライフサイクルに応じた各セキュリティ専門分野の対象フェーズの分類 |
6.2 |
7 共通レベル定義 |
7.1 レベル7 |
7.1.1 社内外にまたがり、テクノロジやメソドロジ、ビジネス変革をリードするレベル。 |
7.1.2 市場への影響力がある先進的なサービスやプロダクトの創出をリードした経験と実績を持つ世界で通用するプレーヤ。 |
7.2 レベル6 |
7.2.1 社内外にまたがり、テクノロジやメソドロジ、ビジネス変革をリードするレベル。 |
7.2.2 社内だけでなく市場から見ても、プロフェッショナルとして認められる経験と実績を持つ国内のハイエンドプレーヤ。 |
7.3 レベル5 |
7.3.1 社内において、テクノロジやメソドロジ、ビジネス変革をリードするレベル。 |
7.3.2 社内で認められるハイエンドプレーヤ。 |
7.4 レベル4 |
7.4.1 一つまたは複数の専門を獲得したプロフェッショナルとして、専門スキルを駆使し、業務上の課題の発見と解決をリードするレベル。 |
7.4.2 プロフェッショナルとして求められる、経験の知識化とその応用(後進育成)に貢献する。 |
7.5 レベル3 |
7.5.1 要求された作業を全て独力で遂行するレベル。 |
7.5.2 専門を持つプロフェッショナルを目指し、必要となる応用的知識・技能を有する。 |
7.6 レベル2 |
7.6.1 要求された作業について、上位者の指導の下、その一部を独力で遂行するレベル。 |
7.6.2 プロフェッショナルに向けて必要となる基本的知識・技能を有する。 |
7.7 レベル1 |
7.7.1 要求された作業について、上位者の指導を受けて遂行するレベル。 |
7.7.2 プロフェッショナルに向けて必要となる基本的知識・技能を有する。 |
AIを活用した知の共有化の進展への期待 【要約】【2017年5月23日】
【2017年】AIを活用した知の共有化の進展への期待 【要約】 - Docs.com
1 はじめに |
1.1 |
1.1.1 |
1.1.1.1 図書館サービスの将来方向として、出版物に限らず様々な情報機関が保有する文化情報資源を一元的に利活用できるようにして、新たな知識を創造する「知識インフラ」としての方向性を検討してきた |
1.1.1.2 その方向性の実現に、メタデータの集約による単なる統合検索が可能な「知識インフラ」でなく、情報資源そのもの(画像データ、本文フルテキスト等)をビッグデータとして活用して、人工知能により知識化し、ファクトを取り出せる基盤としての「真の知識インフラ」の構築の実現を見通せる時代になった |
1.1.1.3 「電子図書館」は、「真の知識インフラ」として、「情報の集合体としてのアーカイブ」に留まらず、「人工知能により知識化」され、利用者に対して「電子図書館」を「脳の外部記憶」として利用を可能にする実用化システムの構築も実現可能なところまで到達しつつある。 |
1.1.1.4 そのような時代に、図書館を含めた文化情報資源の保有機関は、どんな業務・サービスに人工知能を活用すべきか、そのためにどんな知識とスキルを持つべきかを考察する |
2 すでにデジタルトランスフォーメーション(デジタル変革)は始まっている |
2.1 【参照】IT人材白書2017【2017年4月IPA】 |
2.2 今は、IoT、ビッグデータ、ロボット、AI等の技術革新による、第4次産業革命の入り口にいる |
2.3 あらゆるものがインターネットに接続するIoTの広がり、あらゆる情報がビッグデータとして活用され、AI技術により、様々な分野で定型的な業務はもとより、人海戦術では不可能だった業務まで、AI技術を適用したサービス、ロボットの適用が始まっている |
2.4 既存のビジネスや業務に新技術を取り入れるだけでなく、ビジネスモデルを変え、経済活用のみならず、個人の生活や社会構造まで影響が及ぶ |
2.5 デジタルフォーメーション(デジタル変革)とは、あらゆる情報がデジタル化され、IT技術によって、社会や産業、企業、人のあり方や働き方が変わっていくこと |
2.6 第4次産業革命が進むにつれて、発展するビジネスと縮小するビジネスが明確になっていく |
2.7 時代環境が大きく変わる時、それにそぐわないビジネスは淘汰されていく |
2.7.1 匠の技的な高度な伝統的技能を要する作業や、旧来の延長線で仕組みの高度化、洗練により、生き残れるビジネスもあるが、現状維持のビジネスの多くは、相対的に意義を失う可能性が高い |
2.8 IoT、ビッグデータ、ロボット、AI等の技術を、クラウドコンピューティングやモバイル環境で活用できるようになったことは、少ない投資で事業を立ち上げることが可能であり、中小企業、ベンチャー企業や個人の活躍のまたとないチャンスである |
2.9 組織として、 |
2.9.1 時代の潮流を捉えて、組織が社会の変化の中で、時代に適合して発展できる道を探り、ビジョンをはっきり示すことが重要であり、それは経営者の責務 |
2.9.2 「デジタル子ランスフォーメーション」を実現するには、ビジネスとデジタルのスキルを併せ持った人材の育成と獲得をしていく必要がある |
2.10 個人として、 |
2.10.1 自らも「デジタルトランスフォーメーション」の流れの中にあることの意識 |
2.10.2 求められるのは、周囲を巻き込みながら改革を進める能力やビジネスとデジタルを結び付けて全体をデザインする能力を持った人材になること |
2.10.3 目の前の業務だけにとらわれることなく、広く視野を持って進むべき道を探り、学ぶ。勉強会やコミュニティなど、学びの場は周囲にある。自己研さんによって能力を高めれば高めただけ、社会をリードしていく人材になっていく |
3 本格的な人工知能の実用化を迎えて |
3.1 電子図書館は、図書館界、出版界におけるデジタルフォーメーションである |
3.2 今まで |
3.2.1 「電子図書館サービス構想」の実現形としての「デジタルコレクション」、「NDLサーチ」、「リサーチナビ」 |
3.2.2 電子図書館サービスの発展形としての「知識インフラ構想」 |
3.2.3 「知識インフラ構想」の実現形を目指して分野を特定した「東日本大震災アーカイブ」 |
3.2.4 「東日本大震災アーカイブ」の発展形として分野を文化情報資源まで拡大した「文化資源のナショナルアーカイブ」 |
3.3 今後 |
3.3.1 デジタルトランスフォーメーション時代の知識インフラの構築 |
3.4 人工知能の進展 |
3.4.1 ビッグデータをディープラーニングにより学習できるようになったことにより、第3次人工知能ブームが起き、様々な分野で実用化が進んできた |
3.4.2 人間の頭脳が成長しなければ、今の技術の延長線で、コンピュータが人間の頭脳を上回るシンギュラリティ(技術的特異点)が2044年までに起きると言われている |
3.4.2.1 突然変異的な技術が生み出された場合、もっと早く訪れる可能性もある |
3.5 「未来の図書館を作るには」【長尾先生】の抜粋 |
3.5.1 「電子図書館」、「未来の図書館を作るには」の再認識 |
3.5.2 「電子図書館 」岩波文庫, 1994年, 長尾真 |
3.5.2.1 第2次人工知能ブームの終盤、第3次人工知能ブームへの助走段階 |
3.5.2.2 既存の図書や資料をデジタル化すればそれで電子図書館が実現するかといえばそうではない。あるべき姿はデジタル化された情報を縦横に使いこなし、まったく新しい知的空間を創造するための図書館である。そのために何が必要かを説く本書の構想は挑戦的かつ刺激的な未来の設計図だ。 |
3.5.3 「未来の図書館を作るとは」が刊行された2012年からの技術の進展 |
3.5.3.1 「未来の図書館を作るには」が発行された2012年初めは、まだ第3次人工知能ブームの前で、人工知能がブレークスルーしていなかった。 |
3.5.3.2 「未来」の話しとして、人工知能を活用したシステムにより、図書館サービスや図書館員の仕事の変革が示唆されていたが、ディープラーニングの実用化により、今まさに実現可能になっていると思う |
3.5.3.3 しかし、2012年以降のディープラーニングに代表される人工知能の進展、資料のデジタル化、デジタルコンテンツのオープンデータ化、LOD化の加速化により、「未来」とされてきた相当な範囲の仕組みで、今後5年程度でできることが多くなってきたように思える |
3.5.4 人工知能と図書館 |
3.5.4.1 人間の持っている知識は頭脳の中にあり、種々の知識が何らかの関係性によってつながれていて、連想的に関係する知識が取りだされている【長尾先生】 |
3.5.4.2 図書館においてもぼう大な書物の中に存在する知識が関連性をもって書物という単位を超えてつなげられ、それが取り出されることが大切であろう。【長尾先生】 |
3.5.4.3 本のある部分に存在する単語や概念を集め、それらに近い単語や概念が存在する部分を他の本について網羅的に調べる【長尾先生】 |
3.5.4.4 関連する知識を人間頭脳の中のネットワークのようにつないで、利用者の要求に応じて提示できるような形の電子図書館の内容の組織化が望まれているのである。【長尾先生】 |
3.5.4.5 電子図書館における図書・資料は部品に解体され、それぞれが種々の観点からリンク付けされた巨大なネットワーク構造が作られるようにする。これは1つの社会で共有する中立的な知識構造、知識システムである。【長尾先生】 |
3.5.4.6 個人によって違った知識の構造の部分については、その人の力によって種々の検索方式を試み、自分の必要とする情報をとり出して中立的な知識の構造に付加してゆくことが出来ねばならないし、またそれによって自分に合った知識の構造を作りあげてゆくことができるだろう。【長尾先生】 |
3.5.4.7 現実世界の本や情報の大切さ以上にヴァーチュアルな世界における情報処理と表現力の可能性にもっと大きな関心を持つべき時代に来ていると言えるのではないだろうか。【長尾先生】 |
3.6 図書館関連が保有しているビッグデータとしての知的情報資源 |
3.6.1 従来から図書館員の知識・ノウハウにより統制され形式知化してきた情報 |
3.6.1.1 情報に関する情報⇒メタデータ |
3.6.1.2 書誌情報 |
3.6.1.3 情報を見つけ出すための情報⇒ナレッジデータベース |
3.6.1.4 レファレンス情報(参考情報) |
3.6.1.5 Q&A |
3.6.1.6 調べ方案内情報 |
3.6.1.7 情報資源⇒デジタルアーカイブ |
3.6.2 今後ビッグデータとして活用が可能になっている情報 |
3.6.2.1 デジタルアーカイブ内で保有している情報で、オープンデータ化されていない情報も含めて、バックヤードで検索・分析に活用できる本文フルテキスト |
3.6.2.1.1 著作権者の許諾なしに書籍の全文を電子データ化し、検索のために人工知能などを活用した新サービスが認められる方向 |
3.6.2.1.2 図書館等から一定期間公開しない有償オンライン資料、東日本大震災アーカイブ等も検索のためには活用できる? |
3.6.3 今後活用を期待したい情報 |
3.6.3.1 図書館が保有するオープンデータ化された情報の内容(コンテンツ) |
3.6.3.1.1 図書館の世界でのデジタルアーカイブ |
3.6.3.2 図書館の枠を越えたナショナルアーカイブ内の情報(コンテンツ) |
3.6.3.2.1 図書館界外が保有する情報 |
3.6.3.2.2 図書館界が保有する情報 |
3.6.3.3 図書館員が持つノウハウ等の暗黙知 |
3.6.3.3.1 レファレンス業務過程情報を形式知化 |
3.6.3.4 図書館情報システムから収集する情報 |
3.6.3.4.1 匿名化した加工情報 |
3.6.3.4.1.1 利用実績情報(統計化されてない情報) |
3.6.3.5 各種センサー等のIoT機器から収集する情報 |
3.6.3.5.1 利用行動履歴 |
3.6.3.5.2 利用した情報の移動履歴 |
3.6.3.5.3 研究データ |
4 文化情報資源のナショナルアーカイブの方向性は |
4.1 ビッグデータとしての知の共有化、人工知能が適用された知識インフラの構築 |
4.2 今後 |
4.2.1 世の中ではWeb2.0時代と言われた時代、図書館界ではOpac2.0と称するサービスで、いわゆる人工知能とまでは言えないかもしれないが、人工知能を指向した組織化、あいまい検索等の実現を目指してきた |
4.2.2 既にインターネット上に広範な情報が公開されているが、公開が遅れている文化機関、公的機関が保有している情報もオープンデータ化が進みつつあり、ビッグデータとして利活用できるように方向に向かっている |
4.2.3 また、今後の著作権法の改正により、著作者の許諾なく、著作物の本文そのもの活用して、人工知能等により高度な検索、分析に活用できるようになる |
4.2.4 このような時代に、従来の業務やサービスは、人工知能が組み込まれたシステムやロボットに支援されてサービスが省力化され、さらに今まで不可能だった新たなサービスが生まれようとしている |
4.3 文化情報資源のナショナルアーカイブの方向性 |
4.3.1 知識インフラ |
4.3.1.1 知識インフラ構築における最も大切な概念は、情報を集め、これを知識化し活用することによって新しい情報・知識を創出し、知識インフラに加えるという形で循環的にこのシステムを強化・拡大してゆくことによって社会・経済に貢献することである。【長尾先生】 |
4.3.1.2 知識が種々の観点から組織化、構造化されて利用しやすい形で蓄積されて利用に供される【長尾先生】 |
4.3.1.3 |
4.3.2 ナショナルアーカイブは |
4.3.2.1 図書館は、書物等の情報資源を収集・保存し提供する場であるとともに、それらを使って関心のある人が集まって議論し新しい知識を創造する場【長尾先生】 |
4.3.2.2 日本としてのナショナルアーカイブは、日本中に存在する知識情報が有機的に結合され、日本中の人が自由に使える日本の「知識インフラ」【長尾先生】 |
4.3.2.3 世界中の知識情報が有機的に結合したものが、「インターナショナルアーカイブ」 |
4.3.3 今、ディープラーニングが実用化になった時代に、ナショナルアーカイブはどのような方向へ進んでいくか |
4.3.4 図書館での従来から形式知化してきた情報を、信頼性の高い情報として、人工知能の教師用データとして分析し、人工知能として学習した知識として蓄積 |
4.3.4.1 書誌、辞書、典拠(シソーラス)類 |
4.3.5 著作物のイメージ画像、フルテキストを人工知能の学習データとして分析し知識として蓄積 |
4.3.5.1 画像、全文フルテキスト(OCR化も含む)、目次、索引、あらすじ、書評、、、 |
4.3.6 長尾先生が提唱した「電子図書館」が、「人工知能を備えた知識インフラ」となる |
4.3.6.1 文化情報資源としてのナショナルアーカイブがビッグデータとして利用可能になり、人工知能の学習データとして信頼性の高い知識が飛躍的に豊富になり、より精度の高い情報を提供できるようになる |
4.4 ナショナルアーカイブの各基盤の概念 |
4.4.1 |
4.4.2 我が国の多様な文化を知識として保存・継承する役割、様々な分野の専門家が参加し、新たな文化を知識として創造していくための社会的な基盤としての役割、それらの知識を利用目的に応じて発信する役割、そして、これらの仕組みを統括し運用していく役割が考えられ、文化的資産を館種毎に集約している拠点と、新たな知識を創造し発信するしている拠点等が分担して構築・運用していくことが必要 |
4.4.3 恒久的保存基盤(あらゆる情報の恒久的保存) |
4.4.3.1 恒久保存と利活用のための共通プラットフォーム |
4.4.3.2 1つの機関にすべてを集約するのではなく、各分野のアーカイブを集約する拠点が中核となって分散アーカイブを構築 |
4.4.3.3 あたかも1つのアーカイブとして見えるように |
4.4.3.4 個々の情報同士を意味的に関連付け |
4.4.3.5 検索で情報を取り出すだけでなく、取り出された情報から芋づる式に関連する情報を取り出せるように |
4.4.3.6 情報の網羅性・完全性が重要 |
4.4.4 知識創造基盤(新たな知識創造活動の場) |
4.4.4.1 キュレーター、ライブラリアン等の支援のもとで、それぞれの分野の専門家のみならず、広く国民も含めて、情報に付加価値を付けたり、他の分野の情報と関連付けて、二次的著作物を創造する場 |
4.4.4.2 知識創造支援機能 |
4.4.4.2.1 情報全体の基本情報としてのメタデータを付与する活動、記事、章節項、文節等の単位で組織化・構造化する活動、情報間を意味的に関連付けるための基本情報として、用語辞書、典拠、シソーラス辞書等を作成する活動 |
4.4.4.2.2 辞書類作成 |
4.4.4.2.2.1 コーパス |
4.4.4.2.2.1.1 人工知能の支援により省力化が進むと思われる |
4.4.4.2.2.2 件名典拠、シソーラス |
4.4.4.2.2.2.1 本文フルテキストも人工知能への入力データとして特徴量を抽出することにより、書誌データのみならず、本文テキストから標目を抽出しすることが可能 |
4.4.4.2.2.2.2 また、コーパスを利用することにより、同義語、上位語、下位語、関連語、分類記号の関係づけをすることも可能ではないか |
4.4.4.2.2.3 固有名典拠 |
4.4.4.2.2.3.1 既に刊行されている書籍の著者に関して、人工知能を利用して、著作名、著者、出版年、NDC分類等の特徴量を抽出・分析することにより、著者の自動同定の精度は相当向上すると思われる |
4.4.4.2.2.3.2 人工知能により、省力化、自動化ができることにより、書籍だけでなく雑誌記事等も含めて、固有名典拠の自動作成が可能になる |
4.4.4.2.2.4 NDC分類 |
4.4.4.2.2.4.1 件名典拠をベースにした分類の番号体系は、人間の判断によるところが大きいので、容易に人工知能化することは困難か? |
4.4.4.2.2.4.2 分類を番号体系でなく意味的なシソーラス体系として維持し、改訂していく作業は、人工知能により体系を整理することは可能。また番号体系の版毎の対比表の維持も可能ではないか |
4.4.4.2.2.4.3 ただ、配架のための分類という考え方、資料検索のための分類体系は、全文検索を含めて様々なレベルでの検索が容易になってくる状況において、役割を問い直す必要があるのではないか |
4.4.4.2.2.5 情報を関連付けるための情報 |
4.4.4.2.2.5.1 共通語彙 |
4.4.4.2.2.5.1.1 分野を超えた情報交換を行うには、個々の単語について、表記・意味・データ構造を統一し、互いに意味が通じるようにすることが必要。人工知能の知識として蓄積する場合、共通語彙になっていることが学習の効率を高められる。 |
4.4.4.2.2.5.2 情報と情報を結びつけるための情報 |
4.4.4.2.2.5.2.1 コーパス |
4.4.4.2.2.5.2.1.1 国立国語研究所で構築したコーパス |
4.4.4.2.2.5.2.2 オントロジー |
4.4.4.2.2.5.2.3 用語辞書 |
4.4.4.2.2.5.2.3.1 DBPedia等 |
4.4.4.2.2.5.2.4 分野別辞書 |
4.4.4.2.2.5.2.4.1 大漢和辞書等 |
4.4.4.2.2.5.2.5 分野別シソーラス |
4.4.4.2.2.5.2.5.1 JSTシソーラスmap等 |
4.4.4.2.2.5.2.6 個別情報の永続的識別子(Linked Data化) |
4.4.4.2.3 組織化 |
4.4.4.2.3.1 情報に関する情報の組織化(書誌作成) |
4.4.4.2.3.1.1 新しい著作物に対するNDC分類、件名などは、既存の書誌、典拠を教師データとして、人工知能により自動付与。専門家は、人工知能による精度に応じてチェック、補正することが役割になるのではないか。 |
4.4.4.2.3.1.2 雑誌記事に関しても、記事を著作単位とした書誌作成が人工知能により省力化して付与が可能になる |
4.4.4.2.3.2 情報の組織化 |
4.4.4.2.3.2.1 図書・資料は部品に解体され、それぞれが種々の観点からリンク付けされた巨大なネットワーク構造が作られるようにする【長尾先生】 |
4.4.4.2.3.2.1.1 |
4.4.4.2.3.2.1.2 |
4.4.4.2.3.2.1.3 目次情報を付けたり、本の表紙の画像や数行の簡単な要旨を付ける |
4.4.4.2.3.2.2 動画・静止画・音声は、画像認識機能により自動タグ付け |
4.4.4.2.3.2.2.1 従来の書誌情報の考え方をマルチメディア情報に対応できるように拡張かつ詳細化するとともに、対象資料に関係する様々な種類の情報にリンクをはり、それらの情報をたどってゆけるようにする【長尾先生】 |
4.4.4.2.3.2.3 全文テキストを利用することにより、新たに時間軸、空間軸に沿った知識の関連付け等の組織化も可能ではないか |
4.4.4.2.3.2.4 レファレンス事例、司書の知識・ノウハウを、信頼性の高い情報を、人工知能の教師用データとして特徴量を自動抽出し、情報を知識化して人工知能の知識データベースとして蓄積 |
4.4.4.3 知識創造活動 |
4.4.4.3.1 恒久的保存基盤に格納された網羅的な情報を活用して新たな知識を創作する活動 |
4.4.4.3.2 歴史的な文化財や現代文化を映像化、画像化、テキスト化する活動、構造化された情報に解題情報等を付与する活動、情報間を意味的に関連付ける活動、テーマを設定してデジタルギャラリを構築する活動等 |
4.4.4.3.3 既存の知識から自分の必要とする部分を切り出して、新たな発想の著作を創造し、新たな知識とする【長尾先生】 |
4.4.4.3.4 新たな知識創造の場としての図書館 |
4.4.4.3.4.1 施設としての実空間、インターネットを利用した仮想空間はシームレスに |
4.4.4.3.4.2 情報を媒介して専門家と専門家を繋ぐ |
4.4.4.3.4.2.1 様々な組織が持つ情報が関連付けられて、それぞれの組織を中心に活動していた人が繋がっていく |
4.4.4.3.4.3 専門家を媒介して辞書と辞書を繋ぐ |
4.4.4.3.4.3.1 様々な分野の人たちが繋がって、情報に関する情報が蓄積され、それによって様々な各種辞書が関連付けられていく |
4.4.4.3.4.4 読者と読者を繋ぐ場としての図書館 |
4.4.4.3.4.4.1 議論の場の提供という図書館機能【長尾先生】 |
4.4.4.3.4.4.2 解決したいという人達と研究者、そして図書館司書のグループが種々の角度から資料をもとに議論【長尾先生】 |
4.4.4.3.4.4.3 考え方の違う人達が知識を共有し、その違いを議論を通じて明らかにすると共に、新しい知識・思想を作り出してゆく場【長尾先生】 |
4.4.4.3.4.5 出版社、著者と読者をつなぐ場としての図書館 |
4.4.4.3.4.5.1 図書館が司書による相談サービス、あるいは自動的な案内サービスをする場合でも、自分の電子書棚を作りたいという人の多くは図書館から借りるのではなく出版社のデータベースの方に行き、書物を購入することになるわけで、図書館は出版社と読者を結合する接続業者のようになってゆく【長尾先生】 |
4.4.4.3.5 知識創造のための問合わせに対して、ファクトデータを提供する |
4.4.4.3.5.1 レファレンスサービス |
4.4.4.3.5.1.1 司書の世話にならなくてもある程度のレファレンスサービスが受けられるように【長尾先生】 |
4.4.4.3.5.1.2 自然言語による質問要求を受け付けて、取り出したものがその要求に対応するものであるかどうかを自然言語処理技術によって調べ、できるだけ質問要求に近いものだけを選択する【長尾先生】 |
4.4.4.3.5.1.3 利用者からの問い合わせに対して、人工知能を利用して、必要とする内容に最もマッチングする資料名、所在場所へナビゲーション。オープンデータに関しては、記述された内容の記載部分を列挙。さらに答えとしての事実まで提示が可能になる |
4.4.4.3.5.1.4 自然言語処理により、音声での自然言語の問いに対して、知識インフラを知識とした人工知能が、解の候補を抽出し、それを音声での自然言語で回答することが可能になる |
4.4.4.3.5.2 事実に基づいた報告書 |
4.4.4.3.5.2.1 依頼または予測調査に対して人工知能により文献内容検索により、最もマッチングする資料名、資材場所を探し出し、オープンデータに関しては、記述された内容を洗い出し、内容要約して報告書の原案を作成 |
4.4.4.3.6 知識創出システムの構築 |
4.4.4.3.6.1 人と人工知能の協調による創造的な課題解決 |
4.4.4.3.6.1.1 人工知能の助けを借りて新サービスの構想を練り開発する |
4.4.4.3.6.2 人とシステムの得意な作業が連携 |
4.4.5 知識利活用基盤(情報発信) |
4.4.5.1 恒久的保存基盤に格納された一次情報、コンテンツ創造基盤で創出された二次的情報を有機的に組み合わせて、利用できるようにする |
4.4.5.2 見るだけのアーカイブ」から「使い、創り、繋がり、伝えるアーカイブ」として、広く国民による新たな知識の創造、新産業の創出、地域活性化、防災・減災、教育活用、教養・娯楽、観光、国際文化交流等、様々な利用者毎の目的に応じて、恒久的保存基盤に格納された一次情報、コンテンツ創造基盤で創出された二次的情報を有機的に組み合わせて、利用できるようにする |
4.4.5.3 網羅的な情報から、利用目的に応じてあらかじめ適切に絞り込み、利用者の属性、スキル、利用場所に応じて、様々な画面インターフェースを用意して、利用者が必要とする情報、参考となる関連する情報を容易に得られるようにする |
4.4.5.4 知識検索機能 |
4.4.5.4.1 電子図書館になって取り出す単位が書籍の単位ではなく、書籍の中の章や節、パラグラフ、あるいはこんな内容が書かれている部分のみ【長尾先生】 |
4.4.5.4.2 自動的な形で適切な知識の所在にまでナビゲートしてゆくシステム【長尾先生】 |
4.4.5.4.2.1 その本のどこに書かれているかを探すというのではなく、自分の欲しい情報そのものが出てくることになる。【長尾先生】 |
4.4.5.4.3 書誌検索のような単純、単一の検索でなく、種々の検索のモードを提供する【長尾先生】 |
4.4.5.4.3.1 種々のあいまいさを許すあいまい検索の工夫【長尾先生】 |
4.4.5.5 自分の知識の外部記憶装置(自分用の電子図書館【長尾先生】) |
4.4.5.5.1 個人によって違った知識の構造の部分については、その人の力によって種々の検索方式を試み、自分の必要とする情報をとり出して中立的な知識の構造に付加してゆくことが出来ねばならないし、またそれによって自分に合った知識の構造を作りあげてゆく【長尾先生】 |
4.4.5.5.2 自分の書棚を電子的に作れば、自分の連想に基づいて自分の本や本の部分部分をリンク付けして自分の知識の構造に合った自分図書館を作って楽しむことができる【長尾先生】 |
5 次世代の図書館サービスの業務と、業務に従事する人材の資質とスキルは? |
5.1 人工知能と人間の能力と役割(一般論) |
5.1.1 人工知能が果たす役割・機能 |
5.1.1.1 不足している労働力を補完する |
5.1.1.2 既存の労働力を省力化する |
5.1.1.3 既存の業務効率・生産性を高める |
5.1.1.4 既存の業務の提供する価値(品質や顧客満足度など)を高める |
5.1.1.5 これまでに存在しなかった新しい価値をもった業務を創出する |
5.1.1.6 既存の業務に取組む意欲や満足度を高める |
5.1.1.7 新しい業務に取組む意欲や満足度を高める |
5.1.1.8 その他 |
5.1.2 人工知能(AI)の活用が一般化する時代における重要な能力 |
5.1.2.1 情報収集能力や課題解決能力、論理的思考などの業務遂行能力 |
5.1.2.2 チャレンジ精神や主体性、行動力、洞察力などの人間的資質 |
5.1.2.3 企画発想力や創造性 |
5.1.2.4 語学力や理解力、表現力などの基礎的素養 |
5.1.2.5 コミュニケーション能力やコーチングなどの対人関係能力 |
5.1.2.6 |
5.1.2.6.1 (総務省「ICTの進化が雇用と働き方に及ぼす影響に関する調査研究」) |
5.1.2.7 ルーティンワーク、マニュアル化された仕事は、アルバイト、非常勤、外部委託、そして人工知能に置き換わる |
5.1.3 ビジネスプロセスにおける業務とシステムの役割分担の見直し |
5.1.3.1 AIの実用段階に達した今、今まで人が担ってきた部分の作業も、精密化すると一部が人工知能を活用したほうが効率的なことが多々ある |
5.2 図書館員の役割と資質 |
5.2.1 Librarian, cataloguers, reference librarian, Embedded librarian |
5.2.1.1 人工知能により自動出力された内容の評価、補正 |
5.2.1.1.1 選書 |
5.2.1.1.2 関連付けに必要な典拠類の構築 |
5.2.1.1.3 情報に関する基本情報付け(メタデータ付与) |
5.2.1.1.4 情報に関する付加価値情報付け |
5.2.1.1.5 情報間の関連付け |
5.2.1.1.6 分類・主題情報の付与 |
5.2.1.1.7 人工知能を活用したレファレンス |
5.2.1.2 集いの場(intellectual commons)の運営 |
5.2.1.2.1 研究グループの中に図書館的業務のできる人を置くことが必要。embedded librarian(研究協力図書館員)と呼ぶようになって来た。【長尾先生】 |
5.2.2 情報化推進部門 |
5.2.2.1 【グーグルに学ぶディープラーニング(日経ビッグデータ)】 |
5.2.2.2 l .ビジネスの旗振り役2 ディ-プラ一二ングの技術者、データサイ工ンテイスト3. モデルを組み込んだシステムを作る工ンジ二ア4. ビジネスと工ンジ二ア、データサイ工ンテイストの橋渡し役 |
5.2.2.3 .ビジネスの旗振り役 |
5.2.2.3.1 CIO |
5.2.2.3.2 CDO |
5.2.2.4 データサイエンティスト |
5.2.2.4.1 技術 |
5.2.2.4.2 ビジネス |
5.2.2.4.3 分析 |
5.2.2.4.4 コミュニケーション能力 |
5.2.2.4.5 主流のプログラミング言語でプロトタイプを開発でき、数学、統計学、確率論、コンピュータサイエンスの確かな素養のある人材 |
5.2.2.4.6 かつ、ビジネス課題への感覚が鋭く顧客に共感できること |
5.2.2.5 ビジネスと工ンジ二ア、データサイ工ンテイストの橋渡し役 |
5.2.2.5.1 4の橋渡し役が既存の組織にはない、一方で重要な役割を果たす人。工ンジ二アと人工知能の技術を理解しながらビジネスとつないでいく人 |
5.3 図書館サービスの構築・運用に従事する人に必要な知識とスキルは? |
5.3.1 一気に人工知能に置き換わらなくても、少なくとも職員から、アルバイト、非常勤、外部委託へとシフトしていくものが多い。その中で図書館職員としての仕事を見極める必要がある |
5.3.2 一般的な情報化推進部門 |
5.3.2.1 網羅的なスキル構成 |
5.3.2.1.1 メソドロジ |
5.3.2.1.1.1 ITビジネス活動の様々な局面で発揮される手法、方法などで、発揮される対象領域が広く、汎用性、応用性が高いスキルカテゴリ |
5.3.2.1.2 テクノロジ |
5.3.2.1.2.1 ITビジネス活動の様々な局面で発揮されるIT関連技法などで、対象領域が特定されるものが多いスキルカテゴリ |
5.3.2.1.3 関連業務知識 |
5.3.2.1.3.1 ITビジネス活動の様々な局面で活用される、メソドロジ、テクノロジ以外の関連業務知識。業務固有のスキル。 |
5.3.2.1.4 ITヒューマンスキル |
5.3.2.1.4.1 企業・組織が IT に関するタスクを実行する際に必要となるスキル。人工知能が実用化される状況において、人間として特に重要なスキル。 |
5.3.2.1.4.2 実行力・実践力 |
5.3.2.1.4.2.1 俯瞰力・深耕力・革新力・継続力 |
5.3.2.1.4.2.2 効果を上げるために、実行・実践環境や状況を適切に捉える力 |
5.3.2.1.4.2.3 効果的継続の実行と新しい取り組みや新領域へ挑戦する力 |
5.3.2.1.4.3 創造力 |
5.3.2.1.4.3.1 問題発見力・問題分析力・仮説設定力・論理思考力・概念化力 |
5.3.2.1.4.3.2 状況を認知して問題を発見し、見極め、解決案を策定する「価値の創造・問題解決」を着実に遂行する力 |
5.3.2.1.4.3.3 複雑な状況や問題に対して、論理的思考により概念の形成、判断の構築、命題設定を行う力 |
5.3.2.1.4.4 コミュニケーション力 |
5.3.2.1.4.4.1 自分の考えを伝える力・相手の考え方を理解する力・共感を呼ぶ力 |
5.3.2.1.4.4.2 情報の獲得や更なる情報の要求や内容の確認、他者への情報提供、他者に影響を与えたり、協働への引導する力 |
5.3.2.2 一般的なシステム構築のタスク |
5.3.2.2.1 戦略 |
5.3.2.2.1.1 事業戦略把握・策定支援 |
5.3.2.2.1.1.1 要求(構想)の確認 |
5.3.2.2.1.1.2 新ビジネスモデルへの提言 |
5.3.2.2.1.1.3 事業戦略の実現シナリオへの提言 |
5.3.2.2.1.2 IT製品・サービス戦略策定 |
5.3.2.2.1.2.1 市場動向の調査・分析・予測 |
5.3.2.2.1.2.2 IT製品・サービス戦略の策定 |
5.3.2.2.2 企画 |
5.3.2.2.2.1 IT戦略策定・実行推進 |
5.3.2.2.2.1.1 基本方針の策定 |
5.3.2.2.2.1.2 IT化計画の策定 |
5.3.2.2.2.1.3 IT戦略実行マネジメント |
5.3.2.2.2.2 システム企画立案 |
5.3.2.2.2.2.1 システム化構想の立案 |
5.3.2.2.2.2.2 システム化計画の策定 |
5.3.2.2.2.2.3 業務・システム要件定義 |
5.3.2.2.2.2.4 ITサービス要件定義 |
5.3.2.2.2.2.5 情報セキュリティ要件定義 |
5.3.2.2.3 開発 |
5.3.2.2.3.1 システム要件定義・方式設計 |
5.3.2.2.3.2 運用設計 |
5.3.2.2.3.3 移行設計 |
5.3.2.2.3.4 基盤システム構築 |
5.3.2.2.3.5 アプリケーションシステム開発 |
5.3.2.2.3.6 ソフトウェア製品開発 |
5.3.2.2.3.7 Webサイト開発 |
5.3.2.2.3.8 システムテスト |
5.3.2.2.3.9 移行・導入 |
5.3.2.2.3.10 ソフトウェア保守 |
5.3.2.2.3.11 ハードウェア・ソフトウェア製品導入 |
5.3.2.2.3.12 ファシリティ設計・構築 |
5.3.2.2.3.13 プロジェクトマネジメント |
5.3.2.2.4 利活用 |
5.3.2.2.4.1 サービスデスク |
5.3.2.2.4.2 IT運用コントロール |
5.3.2.2.4.3 システム運用管理 |
5.3.2.2.4.4 Webサイト運用管理 |
5.3.2.2.4.5 ファシリティ運用管理 |
5.3.2.2.4.6 サービスマネジメント |
5.3.2.2.5 評価・改善 |
5.3.2.2.5.1 システム評価・改善 |
5.3.2.2.5.2 IT戦略評価・改善 |
5.3.2.2.5.3 IT製品・サービス戦略評価・改善 |
5.3.2.2.5.4 事業戦略評価・改善支援 |
5.3.2.2.5.5 システム監査 |
5.3.2.2.5.6 資産管理・評価 |
5.3.2.2.6 管理・統制 |
5.3.2.2.6.1 システム監査 |
5.3.2.2.6.2 資産管理・評価 |
5.3.2.2.6.3 事業継続マネジメント |
5.3.2.2.6.4 情報セキュリティマネジメント |
5.3.2.2.6.5 品質マネジメント |
5.3.2.2.6.6 契約管理 |
5.3.2.2.6.7 コンプライアンス |
5.3.2.2.6.8 人的資源管理 |
5.3.2.2.7 推進・支援 |
5.3.2.2.7.1 マーケティング・セールス |
5.3.2.2.7.2 再利用 |
5.3.2.2.7.2.1 再利用資産管理 |
5.3.2.2.7.2.1.1 再利用資産管理の準備 |
5.3.2.2.7.2.1.1.1 ソフトウェア開発プロセスの標準化手法 |
5.3.2.2.7.2.1.1.2 ソフトウェアエンジニアリングの標準化手法 |
5.3.2.2.7.2.1.1.3 論理思考力 |
5.3.2.2.7.2.1.1.4 概念化力 |
5.3.2.2.7.2.1.1.5 自分の考えを伝える力 |
5.3.2.2.7.2.1.2 再利用資産の保管と管理 |
5.3.2.2.7.2.1.2.1 ソフトウェア開発プロセスの標準化手法 |
5.3.2.2.7.2.1.2.2 ソフトウェアエンジニアリングの標準化手法 |
5.3.2.2.7.2.1.2.3 論理思考力 |
5.3.2.2.7.2.1.2.4 継続力 |
5.3.2.2.7.2.1.2.5 共感を呼ぶ力 |
5.3.2.2.7.2.2 再利用施策管理 |
5.3.2.2.7.2.2.1 再利用施策の計画 |
5.3.2.2.7.2.2.1.1 ソフトウェア開発プロセスの標準化手法 |
5.3.2.2.7.2.2.1.2 ソフトウェアエンジニアリングの標準化手法 |
5.3.2.2.7.2.2.1.3 問題分析力 |
5.3.2.2.7.2.2.1.4 仮説設定力 |
5.3.2.2.7.2.2.1.5 概念化力 |
5.3.2.2.7.2.2.1.6 共感を呼ぶ力 |
5.3.2.2.7.2.2.2 再利用施策の実施 |
5.3.2.2.7.2.2.2.1 ソフトウェア開発プロセスの標準化手法 |
5.3.2.2.7.2.2.2.2 ソフトウェアエンジニアリングの標準化手法 |
5.3.2.2.7.2.2.2.3 問題分析力 |
5.3.2.2.7.2.2.2.4 仮説設定力 |
5.3.2.2.7.2.2.2.5 革新力 |
5.3.2.2.7.3 調達・委託 |
5.3.2.2.7.4 標準の策定・維持・管理 |
5.3.2.2.7.5 新ビジネス・新技術の調査・分析と技術支援 |
5.3.2.2.8 業務 |
5.3.2.2.8.1 ビジネス目標の決定 |
5.3.2.2.8.2 状況の評価 |
5.3.2.2.8.3 目標の決定とプロジェクト計画の策定 |
5.3.2.2.8.4 データの理解 |
5.3.2.2.8.5 データマイニングのためのデータの準備 |
5.3.2.2.8.6 モデリング |
5.3.2.2.8.6.1 モデリング手法の選択 |
5.3.2.2.8.6.2 テスト設計 |
5.3.2.2.8.6.3 モデルの構築 |
5.3.2.2.8.6.4 モデルの評価 |
5.3.2.2.8.7 評価 |
5.3.2.2.8.8 結果とモデルの展開 |
5.3.2.2.8.9 ビジネスでの活用と評価 |
5.3.2.2.8.9.1 ビジネスでの活用 |
5.3.2.2.8.9.2 ビジネス成果の確認 |
5.3.2.2.9 |
5.3.2.3 業務タスクとスキル・知識の蓄積のスキーム |
5.3.2.3.1 |
5.3.2.4 iコンピテンシ・ディクショナリを活用した業務の遂行とスキル・知識の選択的習得方法 |
5.3.2.4.1 |
5.3.3 今後の図書館サービスの実現のためのタスクと必要なスキル |
5.3.3.1 文化資源の収集・保存・修復・公開のスキル |
5.3.3.1.1 図書館が扱う情報資産は、文献だけではない。 |
5.3.3.2 専門分野に関する知見(文化・芸術・学術) |
5.3.3.3 文化資源を取り扱うための知識・技能 |
5.3.3.3.1 保存・修復技術 |
5.3.3.3.2 文化資源に価値を見出し、情報として記述するカタロガーとしての知識・技能 |
5.3.3.3.3 文化資源の価値を顕在化させて共有するための企画・発信するキュレーターとしての知識・技能 |
5.3.3.3.4 文化資源と人々をつなぎ、新たな価値を創出するコーディネータ、エンベデッドライブラリアンとしての知識・技能 |
5.3.3.3.5 文化資源を扱う活動の使命を明らかにし、その達成に向け経営資源を配分し、事業を統括するマネージャーとしての知識・技能 |
5.3.3.4 デジタル技術を活用したアーカイブ化のための知見 |
5.3.3.4.1 文化資源を取り扱う様々な局面でITを活用し、文化資源をデジタル化し情報メディアに乗せていく技術を有する |
5.3.3.4.2 著作権をはじめとする知的財産権、肖像権、契約など各種法律分野に関する知識を有する |
5.3.3.5 文化資源を情報として収集・組織化・保存し、公開することを実現するシステムの開発・運用管理の知識・技能 |
5.3.3.5.1 効率的・効果的なシステム開発を行うシステムエンジニア |
5.3.3.5.2 基礎となる学問分野の知識 |
5.3.3.5.2.1 A:自然言語分野 |
5.3.3.5.2.2 B:音声・音楽分野 |
5.3.3.5.2.3 C:画像・映像分野 |
5.3.3.5.2.4 D:コンピュータ・ソフトウェア、情報通信 |
5.3.3.5.2.5 E:知識工学、人工知能 |
5.3.3.5.2.6 F:図書館学、図書館情報学 |
5.3.3.5.3 文化資源の保有機関にも、先進技術の研究開発および実用化を目指す研究者 |
6 データサイエンス領域のスキル標準「ITSS+」の適用【要約】 |
6.1 位置付け |
6.1.1 iコンピテンシ・ディクショナリの補足として活用 |
6.1.2 従来のiコンピテンシ・ディクショナリでは、まだに辞書化が十分でない領域 |
6.1.3 知識インフラの構築は、ビッグデータや人工知能の活用が必須であり、典型的なデータサイエンス領域として位置づけられる |
6.2 スキルカテゴリ |
6.2.1 ビジネス |
6.2.1.1 課題背景を理解した上で、ビジネス課題を整理し、解決する。 |
6.2.2 データサイエンス |
6.2.2.1 情報処理、人工知能、統計学などの情報科学系の知恵を理解し、活用する。 |
6.2.3 データエンジニアリング |
6.2.3.1 データサイエンスを意味のある形に使えるようにし、実装、運用する。 |
6.3 タスク構造 |
6.3.1 |
6.4 タスク |
6.4.1 分析プロジェクトの立ち上げと組み込み後の業務設計 |
6.4.1.1 前提条件の明確化 |
6.4.1.2 目標の明確化 |
6.4.1.3 推進体制設計 |
6.4.1.4 計画の承認 |
6.4.1.5 環境整備 |
6.4.1.6 組み込み後の業務設計 |
6.4.2 データの作成と収集 |
6.4.2.1 データ分析設計 |
6.4.2.2 データ収集 |
6.4.3 構造化データ加工 |
6.4.3.1 データ加工 |
6.4.3.2 データ利用環境の構築 |
6.4.4 解析用データ準備 |
6.4.4.1 入力変数データと目的変数データの作成 |
6.4.4.2 データの準備 |
6.4.5 データ解析 |
6.4.5.1 データ集計、抽出 |
6.4.5.2 性質・関係性の把握 |
6.4.5.3 検定 |
6.4.5.4 予測・判別 |
6.4.5.5 グルーピング |
6.4.5.6 最適化 |
6.4.5.7 シミュレーション |
6.4.6 データ可視化 |
6.4.6.1 可視化の企画とデータ収集 |
6.4.6.2 2軸チャート化 |
6.4.6.3 多次元の可視化 |
6.4.6.4 関係性の可視化 |
6.4.6.5 地図上の可視化 |
6.4.6.6 挙動・軌跡の可視化 |
6.4.6.7 ダイナミックな可視化 |
6.4.6.8 リアルタイム可視化 |
6.4.7 非構造化データ処理 |
6.4.7.1 方針検討 |
6.4.7.2 言語処理 |
6.4.7.2.1 (データ収集) |
6.4.7.2.2 (辞書構築) |
6.4.7.2.3 (構造解析) |
6.4.7.2.4 (特徴量変換) |
6.4.7.2.5 (教師あり分析) |
6.4.7.2.6 (教師なし分析) |
6.4.7.2.7 (情報検索) |
6.4.7.2.8 (文書生成) |
6.4.7.3 画像処理 |
6.4.7.3.1 (類似画像推定) |
6.4.7.3.2 (画像認識) |
6.4.7.3.3 (画像復元) |
6.4.7.4 音声/音楽処理 |
6.4.7.4.1 (本人認証や話者識別) |
6.4.7.4.2 (感情分析) |
6.4.7.4.3 (テキスト化) |
6.4.7.4.4 (音楽分析) |
6.4.8 評価 |
6.4.8.1 モデル評価 |
6.4.8.2 分析評価 |
6.4.9 業務への組み込みと評価 |
6.4.9.1 業務への組み込み |
6.4.9.1.1 業務で活用するためのソリューション開発を行う(小規模な表計算ソフトでのツール開発や大規模ビッグデータシステムへの組み込みなど) |
6.4.9.2 組み込み結果の評価 |
6.4.9.3 データ分析結果活用による業務改善 |
6.4.9.3.1 データ分析結果を活用して、業務上の問題点や課題を明らかにする |
6.4.9.3.2 明らかになった業務上の問題点や課題に対する対応策を検討する |
6.4.9.3.3 検討された対応策について、業務への反映と改善を図る |
6.4.9.4 ビジネス上の効果の把握とさらなる改善 |
6.4.9.4.1 ステークホルダーからの意見や要望を収集し、さらなる改善に活かす |
6.5 詳細は、データサイエンス領域のスキル標準「ITSS+」の適用【別シート】参照 |
7 次世代サービス構築及び提供に当たって留意してほしいこと |
7.1 効率化、人はより創造的な業務へ |
7.1.1 答えが1つでアルゴリズムが明確な業務は、システム化が容易⇒人工知能化が容易 |
7.1.2 情報システムは、図書館員の仕事を効率化・高度化させるもの。そのシステムの開発には図書館員の力が必要。図書館員もITの知識が必要⇒システムライブラリアン |
7.2 保守的な組織にありがちな前例主義・横並び主義からの脱却 |
7.2.1 自分が利用者だったらどうなっていてほしいか |
7.2.2 「民間はできるが公的機関だからできない」ということはない |
7.2.3 組織規則、内規は、変えられる |
7.3 与えられた権限には、実施の責任と義務を負っている |
7.3.1 使命を果たすために与えられた権限には「実施の責任と義務がある」 |
7.3.2 できる範囲をコツコツとではなく、できる部分は責任を持って実施 |
7.3.3 できない部分は、他にどのようにしてもらいたいかも、責任を持って提示 |
7.4 サービス提供者は利用者以上のITスキルを持つ |
7.4.1 技術に進展は早い。若い利用者のIT利用技術は高い。 |
7.4.2 レガシーサービスの利用者のITリテラシーと高めることも、サービス提供者の役割 |
7.4.3 来館者のスキルが高くないのは、対応するサービス提供者のITスキルが高くないことも要因 |
7.5 One of themの組織としての役割を考える。Give&Takeの協力関係を想定する |
7.5.1 国全体がなすべき施策の中で、個別の事業の進め方を考える |
7.5.2 自分でできないことは、どのようにしてもらいたいかを提示(メリットも示す) |
7.5.3 個別案件の利害調整でなく、出版文化の発展に向けて、ビジネスモデル全体での役割調整 |
7.5.4 創造力を持ってサービスの設計・構築・提供を考える |
7.6 外部の動き(特に商用サービス)を知る組織外の情報を組織内へ |
7.6.1 他の図書館、出版界、他の業種、業態の人との交流の場への参画、主催も積極的に |
7.7 今後10年を見据える |
7.7.1 世の中の動向を想定する。⇒自分の将来を見る |
7.7.2 今の延長で可能な範囲での実施でなく、今後10年の人工知能技術の進展、その時点の社会のニーズを見据え、国全体で何をする必要があるかを考える |
7.7.2.1 その時、情報提供機関の役割は?サービス提供者の役割は? |
8 まとめ |
8.1 |
8.1.1 |
8.1.1.1 文化情報資源を中核とした「知識インフラの構築と利活用」のサービスの方向性を見極めて、提供する機関の1つとしての図書館情報サービスの構築と提供を考えていくことが重要と考える |
8.1.1.2 2040年代には、人工知能が意志や感情を持って人間を超える「シンギュラリティ―時代」が来ると言われて、また10年後にはどんな新しい技術が確立しているかわからないが、現時点での人工知能の実用化レベルでも、社会は大きく変革する。 その社会の中での図書館サービスは、従来の延長線上での業務を行っていては、有益なサービスを提供する機関としての存立が危ぶまれる |
8.1.1.3 人工知能により、人の仕事が奪われるのではなく、より人間らしい仕事にシフトしていく。 仕事が奪われるとしたら、むしろ、人工知能を活用した省力化と新しいサービスに取り組まなかったために事業を継続できなくなる機関・組織であろう。 |
人工知能に関する文献のポイント(抽出)【2017年4月18日】
【2017年】人工知能に関する文献のポイント(抽出) - Docs.com
1 人工知能「超入門」ディープラーニングの可能性と脅威(Impress QuickBooks) |
1.1 特徴抽出能力を得た人工知能 |
1.1.1 人間が教えなくても自ら特徴を抽出して理解することができる |
1.2 ディープラーニングとニューラルネットワーク |
1.2.1 ディープラーニングは、「適切な特徴抽出能力をもつ教師なしニューラルネットワークを多層にして構築したもの」 |
1.2.2 よく使われる情報や関連性の高い情報を扱う細胞同士のつながりは強化される一方で、使われないものや関連性の低いものはつながりが弱くなる |
1.2.3 重要な情報は強く、重要でない情報は細く。大切なのは情報と情報の関連性 |
1.3 多層に重なるニューラルネットワーク |
1.3.1 情報に対して「関連性」や「重要性」を踏まえて、情報を扱っていく |
1.3.2 入力層、出力層、その中間で実質的な思考を行う部分が「隠れ層」 |
1.4 教師あり学習から教師なし学習へ |
1.4.1 人間が人工知能に正解を教え、設定を変更する形で正解を教える「教師あり学習」 |
1.4.2 設定の変更が技術者のスキルに依存する |
1.4.3 学習に使える情報はインターネットを通して無数に手に入るようになり、高性能な演算装置を使えば短時間で学習が終わる |
1.4.4 ビッグデータと高性能な演算装置を使って何万回と学習させる |
1.5 人間に近い学習過程を辿れるようになった人工知能 |
1.5.1 人間は教師に教わって学習することもあれば、自分で気づいて学ぶこともある。これは人工知能も同じ |
1.6 ディープラーニングはどうやってモノを理解するのか |
1.6.1 ニューラルネットワークを持った回路で多数の班を作り、班ごとにシンプルな役割を与え、各班に順番にタスクをこなさせる思考方法がディープラーニング |
1.7 ディープラーニングは囲碁やチェスをどう指すのか |
1.7.1 たくさんの棋譜を見ていけば、勝った時に共通する状況というのが多かれ少なかれ必ず存在する |
1.7.2 特徴抽出力を用いて、「勝ちやすい戦い方」の特徴を抽出する |
1.7.3 今までの棋譜や模擬戦から抽出した「勝てる局面」や「勝てる形」を作るために働く |
1.7.4 人工知能が、「なんとなく」とか「感じる」ことはないが、少なくとも「勝利と関連性の高い手」を抽出していることは間違いない |
1.8 ディープラーニングの未来 |
1.8.1 情報の関連性を理解して特徴を見出すというのは非常に人間らしい「理解」の方法 |
1.8.2 次第に人間が知らない特徴に人工知能が気づくようになり、人間の代わりに名前を付けるようになるかも知れない |
1.8.3 ディープラーニングを超える人工知能の技術が生まれてくる可能性もありますし、画像や文章を認識できるようになるだけでも、画像や文書の分別などを仕事とする人はいらなくなる。簡単なタスクを人工知能がこなせるようになるだけでも、人間の仕事が減ることは間違いない |
1.9 人工知能で変わる社会、人工知能の脅威 |
1.9.1 人工知能がより賢い人工知能を生み出し続ける「シンギュラリティ(技術的特異点)」が起こるかも知れない |
1.9.2 今まででは考えられなかったような知的労働の世界までロボットが進出してくることになる |
1.10 大きく分けて4分野の仕事が消える |
1.10.1 創造的活動や学問分野は人工知能で代替することは難しいし、人工知能が代替してもどこかに人間の手が入るモノ。 |
1.10.2 まずは「マニュアル化がしやすい業務」や「同一ルーチンの仕事を繰り返す業務」 |
1.10.3 人工知能にはできない立ち位置を確保することが大切 |
1.11 仕事の補佐がメインとなる仕事は奪われる |
1.11.1 「指示された業務を忠実にこなす」タイプの仕事 |
1.11.2 ディープラーニングは「普通と違う何か」を見つけ出すことが得意なので、書類上の不備を見つけるのは簡単 |
1.11.3 手間のいる仕事は人工知能にやってもらい、人既往知能とスタッフの間に立つような事務員を目指すとよい |
1.11.4 サービス業に関しては人間であることが重要 |
1.11.5 人工知能にはまねのできない貴重な立場を得る |
1.11.6 「言われたことをするだけの仕事」で終わらせない |
1.11.7 「言われる前にできる」ようになれば人工知能に代替できないユニークなスキルとなる。模範的なサポートを提供することで、人工知能に「教える」「管理する」立場になるというのも一つの手。 |
1.12 現状を維持するための仕事は消える |
1.12.1 コミュニケーションスキルを磨きつつ、いざという時に正しい対応が取れるように鍛錬を怠らないようにしたい |
1.12.2 ネットで少し検索すればわかることは人工知能にもわかる。高い「理解力」を必要とする技術があるとよい |
1.12.3 オペレータ系の職種も場合によっては人工知能に代替される |
1.12.4 ロボットを管理する仕事が増えてくる |
1.13 何かを運ぶだけの仕事は消える |
1.13.1 扱いの難しい荷物を運ぶ仕事 |
1.14 モノをただ作るだけの仕事は奪われる |
1.14.1 マニュアル通りにモノを作る仕事は、真っ先に人工知能とロボットに代替される |
1.14.2 パワードスーツのような「人間を補助する機械」も増えており、人間自身のパフォーマンスが向上する方向性も見えている |
1.14.3 新しく登場する技術を巧みに用いるためのスキルを磨くのが良い |
1.14.4 やはり人工知能や機械を管理する立場の人間は残るし、経営や営業など「作ったモノをどうするか」という立場の人間が人工知能に置き換わるのは難しい |
1.14.5 人工知能や機械を管理する立場の人は残る。経営や営業などの「作ったモノをどうするか」という立場の「人間が人工知能に置き換わるのは難しい |
1.14.6 「何を作るか」「どう作るか」など、考える立場を目指すのが良い |
1.14.7 モノの設計や企画という部分はしばらく人間の仕事になる |
1.15 マニュアルとルーティンの囚われない仕事をする |
1.15.1 マニュアルがなかったとしても、ルーティンワーク化してしまった仕事は人工知能が学習してマニュアルがなくても模倣することができるようになる |
1.15.2 進歩した人工知能は教えられなくても自ら学習し判断し成長することができるため、最初はできなかったことでもすぐにできるようになる |
1.15.3 故障して個体が変わっても経験を引き継げる |
1.15.4 マニュアルやルーティンに拘りすぎない働き方を模索していくことが必要 |
1.15.5 マニュアルやルーティンそのものを進化させることができれば、人工知能を超えることができるはず |
1.16 人間だからこそできる仕事ってなに? |
1.16.1 人工知能の得手不得手、人工知能の弱点 |
1.16.1.1 一定のコミュニケーション能力が必要な仕事、責任を取る必要がある仕事 |
1.16.1.2 指示された理由や仕事が生まれる理由について考える力がないため、「意図を汲む仕事」や「人間の考えを読み取る力」を必要とする仕事は苦手 |
1.16.1.3 新しいものを生み出せる仕事をするか、人間らしい温かみのある仕事ができなければ仕事を失うことになる |
1.16.2 創造的な仕事は生き残る |
1.16.2.1 人々が今までに経験したことのない何かを提供する |
1.16.2.2 顧客の考えや要望を理解したうえで、それを超えるモノを提案できなければデザイナーとして生き残っていくのは難しい |
1.16.2.3 執筆関係の仕事では企画やデザインの部分が含まれることもあり創造的な、仕事の代表格と言えるかもしれない |
1.16.2.4 「よい企画を真似る」だけの企画は人工知能の仕事。 |
1.16.2.5 人間の求めるモノや修正を正しく理解できていないと「良い企画」は出せない |
1.16.3 芸術や芸能関係の仕事は生き残る |
1.16.3.1 人間の感性や感覚に訴えるモノが多く、人間の特性や文化を正しく理解していなければこの仕事はできない |
1.16.3.2 Pepperのように人とのコミュニケーションを売りにした機械も現れている。テレビに出るのは人間の仕事だと言えなくなるかもしれない |
1.16.3.3 人気のある作品や変わった作品を見つけて、そこから新しい映像作品やアイデアを提供するような人工知能がでてくると、映像作品作りに人工知能が深く関わってくる可能性がある |
1.16.3.4 ぼーかロイドのような存在が話題になった。ロボットを使って作曲家と作詞家以外はいらない音楽も作れているのは一つの事実 |
1.16.3.5 人間の芸術とは全く違うアプローチで、人間には作れない作品を作ってしまう可能性もある。人間の芸術が「古臭い」といわれないように、新しい道を模索していきたい |
1.16.3.6 美容師の感性に任せるのではなく、決まった形に向けて仕上げるのであれば人工知能にも可能 |
1.16.4 進化と発展を生み出す仕事は生き残る |
1.16.4.1 「人類・社会・自然を理解し、変化を生み出す仕事」は人工知能に代替できない部分が多い |
1.16.4.2 試行錯誤という点は人工知能とロボットのスピードがものをいう |
1.16.4.3 助手の仕事がなくなって下手な雑務に追われなくなる分、自分の仕事に専念できるのは大きなメリット |
1.16.4.4 経営者が人工知能というのは、最終的な責任の所在もわからなくなるために難しい |
1.16.4.5 情報提供やアドバイスを行うツールとして人工知能が活躍する場面は大いにある。現場から上がってくる膨大なレポート全てに目を通して、要約として使えそうな案をピックアップするなどは人工知能の仕事 |
1.16.4.6 国民の言葉をダイレクトに反映させるツールとして人工知能が使われる可能性はある |
1.16.4.7 政治家や裁判官の決断に関する評価を、ネットワークと人工知能を介する形で国民に委ね、実質的hな政治は決断を国民が直接絡むシステムを作り出すことも可能 |
1.16.5 医療や福祉関係の仕事は生き残る |
1.16.5.1 人の生活を豊かに健やかにする仕事は生き残る |
1.16.5.2 薬剤師や検査技師のような患者と関わりの薄い業種に関しては、ある程度人工知能やロボットによる代替が進む可能性がある |
1.16.5.3 介護士や補遺ⓚ儒y歳の仕事を人工知能が奪うのではなく、仕事の質を高めるために人工知能とロボットが一翼を担っていくはず |
1.16.5.4 質の低い仕事をする人間は淘汰される |
1.16.6 教育に携わる仕事は生き残る |
1.16.6.1 「人に何かを教える仕事」は生き残る |
1.16.6.2 基礎的な教育分野は人工知能が教師になることができるかも知れない |
1.16.6.3 「なぜできないのか」を想像して教えることは人間でも難しい。まして人工知能だとさらに難しい |
1.16.6.4 ただ「覚えるだけ」のようなタスクは人工知能にもできる |
1.16.6.5 「授業は人工知能」で「質問は教員」のようにタスクを分ける塾や学校が現れる可能性は大いにある |
1.16.6.6 訓練系は「動物のトレーナー」や「スポーツや特殊技能のインストラクター」など、人間の訓練はもちろん、動物を訓練するのも人間でなければできないことも多い |
1.16.6.7 タスクがマニュアル化されても限界がある。コーチングの質を高めさえすれば、まだまだ人間の仕事になるはず |
1.16.6.8 特に精神的に未発達な子供の教育に関しては人間でなければ教えられないことも多く、人間性やモラルの教育を人工知能でいっても説得力がない |
1.16.7 人が人工知能やロボットに勝つためには |
1.16.7.1 与えられた仕事をこなすだけではなく、相手が必要としているモノを理解し、要求以上のモノを提供することで人工知能との差別化が図れる |
1.16.7.2 人工知能に勝てなくなったと感じたら、早めに人工知能にはできない分野に飛び出す勇気が必要かも知れません |
1.16.8 あとがき |
1.16.8.1 全く別の特性を持つ存在が同じ目的に向かって競い合えば、その目的により最適化されたほうが勝つのは当然 |
1.16.8.2 人工知能を互いに高め合っていけるらライバルだと認め、それでもなお彼らに勝てる分野を見つけられるかどうかが、これからの人間に大切なことなのかも知れない |
2 よくわかるディープラーニングの仕組み【谷田部卓】 |
2.1 過学習と対策 |
2.1.1 過度に教師データに依存した(汎化できていない)状態 |
2.1.2 原因として、教師データが足りなくてデータに偏りがあるため |
2.2 ニューラルネットワークの歴史 |
2.2.1 ディープラーニング |
2.2.1.1 2011年音声認識コンテスト |
2.2.1.2 2012年画像認識コンテスト |
2.3 ディープラーニングのビジネス(実用化) |
2.3.1 2種類 |
2.3.1.1 CNN(畳み込みニューラルネットワーク)系 |
2.3.1.2 RNN(LSTM)系 |
2.3.2 CNNが得意とする |
2.3.2.1 パターン認識系 |
2.3.2.1.1 精度で既に人間を凌駕 |
2.3.2.2 自然言語処理系 |
2.3.2.3 操作系 |
2.3.3 ヘルプデスク業務は、数年でディープラーニングもよる自動応答に置き換わっていく |
2.3.4 文章の自動要約や意味抽出まで進んでいくと、事務職の大半はディープラーニングで置き換えが可能と考えられる |
2.3.5 自動運転は数年で実用化が始まり、普及も急速に進んでいくはず |
2.4 ディープラーニングにおける日本の役割 |
2.4.1 技術を自社だけで囲い込もうとする意識が強すぎるため、研究成果を公開したり、アイデアを募るような研究ができない体質 |
2.4.2 2016年9月末、Facebook, Amazon, Google, IBM, Microsoftの5社が、AIに関して歴史的な提携を発表 |
2.4.2.1 http://gigazine.net/news/20160929-partnership-ai-facebook-amazon-google-ibm-microsoft/ |
2.4.3 エンジニアを囲い込んだりせず、基礎研究の段階から幅広い英知を求めていくべき |
2.5 AIの学習方法と幼児教育のアナロジー |
2.5.1 偏りのないあらゆるパターンで、かつ大量の訓練データを与えることにより改善できる |
2.5.2 ディープラーニングは、その原理を生物の脳に求めており、ニューロンとシナプスを模したものがその原型 |
2.5.3 過学習が生じる前の幼児の段階で、出来る限り様々な体験をさせるべき |
2.5.4 実体験が無理なら、色々な絵本を読み聞かせることで、たとえ仮想でも体験の幅が格段に広がり、過学習を生じさせない柔軟な頭脳になるかもしれない |
2.5.5 視覚や聴覚から入力されてくる空間的・時系列的な情報をパターン化・抽出化することで大幅に情報圧縮し、有限の脳に大量の情報を詰め込めることができるようになった。 |
2.5.6 「言語」は、その抽象化された情報、すなわち記録を外部化・表出したもの。さらに「文字」の発明が、記憶を外部に長期間記録することを可能とし、より大量の情報を人類が共有できるようになった |
2.5.7 人間は、言語機能はまだDNAに組み込まれていないか、言語機能をハードウェアとしてDNAに取り込むことにより、柔軟に変更可能なソフトウェアとして、後から学習できるように機能分離されているのかもしれない。 |
2.5.8 「水を得た魚のように」などとアナロジーを好んで使う。「ディテールをそぎ落として抽象化した言葉」。パターンのほうがイメージしやすく、情報量が少ないほうがマッチングが容易「 |
2.5.9 大人になると抽象的概念を使って複雑な事象も考えることができるようになる。 |
2.5.10 知識や経験を積むことで、ニューラルネットワークの階層が深くなっていくかのようです。人間も過学習におちいらないように、すなわち「偏見」をもたないように、幅広く見識を積むべきなのでしょう |
3 ビジネスで使う機械学習【谷田部卓】 |
3.1 機械学習の実例 |
3.1.1 例えばEメールのスパム判定は機械学習で迷惑メールを自動判別 |
3.1.2 入力単語を予測して変換。これも機械学習 |
3.1.3 |
3.1.3.1 |
3.1.4 予測:最も実用化が進んでいる領域 |
3.1.5 識別:ディープラーニングの登場により、一気に精度が高まり、実用化が急速に始まったばかりの領域 |
3.1.6 実行:自動車の自動運転技術がAI技術の応用 |
3.1.7 日本語のAI会話が急速に発達したので、事前言語分野では一気に実用化が始まる |
3.1.8 |
3.1.8.1 |
3.2 機械学習の種類と手法 |
3.2.1 教師あり学習:まず様々な種類の大量にある正解付きのデータを分析し、予測モデルを作成する |
3.2.2 教師なし学習:未知のデータのため、どの観点から分析すべきか不明な場合の方法 |
3.2.3 強化学習:試行錯誤を繰り返しながら、目的に遭った結果を得られると「報酬」が得られ、最も「報酬」が得られるように学習していく方法 |
3.2.4 |
3.2.4.1 |
3.2.5 回帰:売上予測などのような、過去の実績ある数値から、未知の数値を予測する際に用いられる |
3.2.6 クラス分類:迷惑メールの判定などのように、データを適切なクラスに割り当てる手法で教師ありの機会学習 |
3.2.7 クラスタリング:値やデータの類似性をもとに、データを自動的にグループ分けする手法。クラス分類と似ているが教師なし学習 |
3.2.8 情報圧縮・次元圧縮:かつて顔認証で用いられてきた手法で、データの特徴的傾向をできる限り残しながら、データ総量を減らす |
3.2.9 レコメンデーション:購入履歴から興味がありそうな商品を推測します |
3.2.10 アルゴリズムの種類は、長い研究の中から多数の種類が考え出されてきた。全ての課題に汎用的に利用されるアルゴリズムは、現時点で存在しない。このため利用目的に適したアルゴリズムを見つけるためには、試行錯誤しながら決定する必要がある |
3.3 機械学習の原理 |
3.3.1 機械学習の基本は統計学にあり、その出力データはすべて確率で表現される |
3.3.2 |
3.3.2.1 |
3.3.3 機械学習では、アルゴリズムとは数式のことで、教師データとは実績値のこと |
3.3.4 |
3.3.4.1 |
3.3.5 クラス分類は、学習速度は早いが、一般的には精度があまり良くない |
3.3.6 ロジスティック回帰は、過去のデータをもとに、あるクラスに該当する確率を予測。この確率に対して閾値を設定し、クラスを割り当てる手法 |
3.3.6.1 迷惑メールの判定閾値を上げると誤判定は減るが判定漏れが増えるトレードオフの関係 |
3.3.6.2 ロジスティック回帰の判定式をクラスごとに用意すると、多クラス分類が可能となる |
3.3.7 |
3.3.7.1 |
3.3.8 クラスタリングとは、正解付データの不要な教師なし学習 |
3.3.9 |
3.3.9.1 |
3.3.10 レコメンデーションは、利用者が投稿したレビュー点数、行動履歴、商品購入の有無かどから、その利用者に「評点」を付ける。その評点から利用者の嗜好を分析して、おすすめ商品を推測するのが「協調フィルタリング」 |
3.3.10.1 利用者が高い評点を与えた商品と、類似した商品をお勧めるのが「アイテムベースレコメンド」 |
3.3.10.2 対象者と似た嗜好の利用者を複数選びだし、その利用者の多くが高得点の商品の中で、対象者がまだ購入していない商品をお勧めするのが「ユーザベースレコメンド」 |
3.3.11 |
3.3.11.1 |
3.3.12 回帰やクラス分類などの「教師あり学習」の場合は、この教師データをもとに数式の変数(パラメータ)をコンピュータが自動的に決定する |
3.3.13 教師データに合わせすぎた状態を「過学習」という。これを避けるために、教師データとは別に評価用のデータも用意して、検証する必要がある |
3.3.14 ただし、教師データの件数が膨大であれば、このような過学習は解消する |
3.3.15 |
3.3.15.1 |
3.3.16 自然言語は、人間の長い歴史の中で自然に発展してきたため、プログラミング言語と比べると、曖昧性が非常に高く、自然言語処理という特別な処理が必要になる |
3.3.17 単語や文章の特徴量。特徴量を数値化することで文章を数値で扱えるようになり、文章のデータ量を大幅に圧縮することができた |
3.3.18 単語や文章の特徴量は、N-gram処理やTF-IDF処理が一般的。対象文章内では高頻度の単語が特徴的である |
3.3.19 |
3.3.19.1 |
3.3.20 文章を単語に分割してクリーニングした後、その文章の特徴量を抽出することでベクトル化 |
3.3.21 |
3.3.21.1 |
3.3.22 まず国語辞書や文法の知識、一般常識等をデータベース化しておく必要がある |
3.3.23 多数の解釈の中から最も「妥当な」解釈を判断することをコンピュータに実装するのは難しいこと |
3.3.24 自然言語処理の難しさの根本原因は、自然言語が本質的に持ち、多様な解釈を可能とする「曖昧さ」jにある |
3.3.25 自然言語処理の最も身近な例は「かな漢字変換」 |
3.3.26 検索エンジンは、自然言語処理のおかげで利用することができ、「機械翻訳」の研究成果で自然言語処理は発達してきたと言える |
3.3.27 文章から単語を切り出す処理を「形態素解析」 |
3.3.28 「意味解析」、「文脈解析」と進むが、いまだに研究段階にあり制度の良い確立した手法はまだない |
3.3.29 |
3.3.29.1 |
3.3.30 単語分析に加えて「品詞付与」などの処理も行う |
3.3.31 「形態素解析ソフトウェア」として有名なのがMeCabというオープンソース |
3.4 機械学習のビジネスでの利用 |
3.4.1 |
3.4.1.1 |
3.4.2 ①研究段階:機械学習は人工知能における研究課題として1960年頃から研究されてきた |
3.4.3 ②実用化段階:近年、成績がよく実績あるMLアルゴリズムは、コンピュータパワーの進化と伴って、大学などの研究機関がOSS化 |
3.4.4 OSSのフレームワークが火付け役となって、機会学習は一気に実用化段階に入ってきた |
3.4.5 ③クラウドMLの登場:2014年にIBM WatsonがMLのAPIを公開。2015年から主たるパブリッククラウドで、続々と実用的なMLアルゴリズムがライブラリとしてサポートされる。こうして機械学習は、本格的な実用化段階に突入した |
3.4.6 AIや機械学習の応用先は「予測」、「識別」、「実行」になる。現時点では予測が最も実用化が進んで、応用しやすい分野と言える。識別は比較的専門性が高く、実行は現時点で実用化はあまり進んでいない |
3.4.7 現状ではアナリストが過去の実績データをもとに、BIツールを用いて経験と勘で行う場合が多い |
3.4.8 機械学習の利点は、最初に適切な予測モデルを作成すると、その後は専門家の常駐が不要になるところ |
3.4.9 ただし、「教師あり機械学習」の場合は、どの分野でも、その出力精度は教師データの質・量・種類に大きく依存する |
3.4.10 活用例 |
3.4.10.1 予測 |
3.4.10.1.1 ①店舗への来客数の予測 |
3.4.10.1.1.1 最初は、入手可能なあらゆる種類のデータを集めること |
3.4.10.1.2 ②売り上げの予測 |
3.4.10.1.2.1 売上データや顧客の平均購入単価、来客数(予測数)、購買率のデータがあれば精度のよい売上予測が可能 |
3.4.10.1.3 ③顧客の店舗内動線分析 |
3.4.10.1.3.1 品ぞろえや陳列棚の改善により売上アップ |
3.4.10.1.3.2 店舗内にビデオカメラ、赤外線センサー、レーザーセンサーなどを一定期間設置して、データを収集 |
3.4.10.1.4 ④工場での作業員動線分析 |
3.4.10.1.4.1 作業工程を効率化、危険エリアに立ち入らないように通路確保 |
3.4.10.1.4.2 作業員にタグをつけたり、スマホを持ってもらい、作業員の位置データを収集 |
3.4.10.1.4.3 作業員全員の総移動量を計測・分析できるので大きな改善効果が見込める |
3.4.10.1.5 ⑤ECサイトでの商品レコメンデーション |
3.4.10.1.5.1 来訪者の行動ログを分析しサイトデザインを改良 |
3.4.10.1.5.2 来訪者特性に合わせたレコメンデーションやバナー広告などきめ細かな制御ができる |
3.4.10.1.5.3 もともとリアル店舗での接客術、つまり優秀な店員のお客様対応を自動化しようとしたもの |
3.4.10.1.6 ⑥フライトデータと気象データから飛行機の遅延時間予測 |
3.4.10.1.7 ⑦路線バスの遅延時間予測 |
3.4.10.1.7.1 曜日と時間帯別交通量データ、これに停車時間の実績データにより予測モデルを構築 |
3.4.10.2 識別 |
3.4.10.2.1 大量にあるデータを複数に分類すること |
3.4.10.2.2 ①機器異常や故障の事前検知 |
3.4.10.2.2.1 機器の挙動データを長時間にわたり詳細に収集 |
3.4.10.2.3 ②SNSでの評判分析 |
3.4.10.2.3.1 非構造化データであるテキストデータを自然言語処理。一般にテキストマイニング用のツールを用いて、アナリストが分析 |
3.4.10.2.3.2 テキストを形態素解析し、あらかじめベクトル化してある良い言葉と悪い言葉との類似度を計算 |
3.4.10.2.3.3 十分な数の教師データと「感情辞書」を用意し、再起型ニューラルネットワークなどのアルゴリズムを用いての実験が必要 |
3.4.10.2.4 ③ソフトウェアの品質判定 |
3.4.10.2.4.1 「可読性」を解析する静的解析ツールから出力されるメトリクスデータで数値化が可能 |
3.4.10.2.4.2 このメトリクスデータに、既に品質判定した結果を組み合わせて教師データとする |
3.4.10.2.4.3 それによりソースコードの品質判定を自動で行えるようになる。すでに有効性を確認済 |
3.4.11 |
3.4.11.1 |
3.4.12 機械学習を実際に利用する場合、「情報科学」、「計算環境」、「ビッグデータ」が必須 |
3.4.13 2015年になり、IBM、MSがクラウドML(クラウドAI)をサービスを開始 |
3.4.14 アルゴリズムと計算環境がパッケージで提供されたので、データさえあれば誰でも容易に機械学習が利用できるようになった |
3.4.15 |
3.4.15.1 |
3.4.16 適切なアルゴリズムを見つけるには、試行錯誤が必要。このアルゴリズムを利用するにはプログラミングする必要があり、この試行錯誤に非常に時間がかかっていた |
3.4.17 ①対象データの収集 |
3.4.18 クラウドMLには、このデータクレンジングを自動的に行えるライブラリも準備されている |
3.4.19 ③アルゴリズムの選定 |
3.4.20 最も出力結果が良かったアルゴリズムを選定することになる。したがってアルゴリズムの種類ができるだけ多いクラウドMLを選ぶべき |
3.4.21 ④実験 |
3.4.22 ⑤実験結果の評価 |
3.4.23 正解付の教師データを7対3などに分割し、70%で学習させ残り30%で評価するホールドアウト法などを用いる方法が一般的 |
3.4.24 精度の評価に使う指標として、正解率、真陽性率、偽陽性率、ROC曲線、適合率などがある |
3.4.25 ⑥パラメータ調整 |
3.5 クラウドMLでの実践 |
3.5.1 専門家が不要:従来はAIや機械学習の専門家がいない限り、機械学習をビジネスに利用することは考えられなかった |
3.5.2 深い知識は不要で、試行錯誤をある程度繰り返して経験を積めば、様々なビジネスシーンに応用することができるようになる。 |
3.5.3 手軽に始められる:クラウドMLはインターネットに接続されたPCさえあれば、だれでも手軽に始められる |
3.5.4 ・費用が最小限で済む:ユーザ登録料は無料、テストだけなら利用料金も無料 |
3.5.5 ・ビジネスでの利用が容易になる:実際のビジネス環境で既に多数利用されている |
3.5.6 |
3.5.6.1 |
3.5.7 |
3.5.7.1 |
3.5.8 |
3.5.8.1 |
3.5.9 |
3.5.9.1 |
3.6 拡大する機械学習ビジネス |
3.6.1 |
3.6.1.1 |
3.6.2 ユーザ接点はすべてデジタル化されており、ユーザに関する大量のデータが取得できる |
3.6.3 2015年からはWeb接客ツールという従来のECサイトにはなかった接客を行うシステムが登場している |
3.6.4 集客から再来訪までの一連のマーケティングフローを、システム化しようとするのが、マーケティングオートメーション |
3.6.5 ある程度の自動回答なら今のチャットボットでも可能です |
3.6.6 高度化:人の能力では発見困難な知見や規則性を見つけ出す |
3.6.7 高速化:処理に要する時間の劇的な短縮 |
3.6.8 ・効率化(自動化):人がいなくても業務が進むようになる |
3.6.9 機械学習を応用することにより「判断の進化」が可能 |
3.7 機械学習ビジネスの課題 |
3.7.1 先行して市場を押さえることができれば、その分野におけるトップランナーになることも可能 |
3.7.2 |
3.7.2.1 |
3.7.3 「No Free Lunch定理」どんな問題やどんなデータに対しても最高の制度を出せる万能なアルゴリズムは存在しないという定理 |
3.7.4 機械学習で解決可能かは、事前に詳細剣豪が必要。顧客が保有する現場のデータを用いて、様々なアルゴリズムで試行錯誤しjながら技術検証をする必要がある。しかも技術検証をした結果、機械学習では顧客課題をかいけつできないという結論になる場合もある |
3.7.5 日本ではいまだに、ERPのような基幹系ソフトで企業独自の商習慣に対応してカスタマイズされたものが主流となっている。この独自ソフトウェアの開発方法は、仕様を明確なら昔ながらのウォーターフォール型、不明確ならアジャイル型と、ある程度確立している |
3.7.6 一般的に普及している多種多様なソフトウェアの中にも、様々なアルゴリズムが使われているがユーザーからは隠蔽され意識されていない |
3.7.7 長い間にアルゴリズムjの利用方法が確立し、ソフトウェアのライブラリに組み込まれて、プログラマーも使い方を熟知している。しかし機械学習の場合、アルゴリズムそのものはある程度確立してきたが、ビジネスでの利用方法は手探りの状況である |
3.7.8 このため、ユーザに「裸のアルゴリズム」そのものを提示し、ビジネス用途に利用可能かを検証してもらうしかない |
3.7.9 日本の企業、特に大企業は、実績や安全性を重視するために、ファーストユーザーになることを嫌います |
3.7.10 もしそのソフトウェアが同業他社より優位に立てるほど画期的なら先行導入した企業がその分野での先行者利益を独占して享受できる。しかし様子見して実績が出てからの導入だと、他社との競争優位に立てないため機会損失が生じてしまう |
3.7.11 機械学習ビジネスにおける初期費用問題は、ハイリスクハイリターンを狙うか、ローリスクローリターンにするかの判断とも言える |
3.7.12 機械学習のようなAI関連サービスは、最新技術が論文などで公開されてからわずか数か月ほどでクラウドMLサービスとして利用できることが多くなっている |
3.7.13 PythonやRjなどのプログラミング言語を知らなくても機械学習を活用できる時代jになった |
3.7.14 この厳しい競争社会において情報を制する者が常に勝者になる。機械学習などのAI関連の知識は今後必ずビジネス社会で求められていくに違いない |
3.7.15 社会現象の予測は統計学を応用すればある程度可能で、その技術の延長線上に画像解析や顔認証、さらに音声認識、機械翻訳などがあると考えると理解しやすくなる |
3.7.16 教師あり機械学習の場合は、教師データとして入力されたデータを統計処理をしてモデル化し、対象データが統計的にみてどの教師データに「統計的jに近いか」を計算して判断をしている |
4 非エンジニア、文系、ビジネスマンのための人工知能入門:数式が苦手なあなたにおすすめ |
4.1 はじめに |
4.1.1 出来ること、出来ないことを理解することが大切 |
4.2 人工知能とはなにか |
4.2.1 あるタスクに特化して人間より秀でた性能を示すことができる |
4.2.2 強いAI |
4.2.2.1 人間が普段こなすようなタスク(話す、移動する、見る等々)を難なく行うことを目的とする |
4.2.3 シンギュラリティ(技術特異点) |
4.2.3.1 機械が人間の知能を超える段階 |
4.2.4 人間の知能 |
4.2.4.1 問題の解き方をモジュール化して、問題に応じてモジュールを再活用し、また複数のモジュールを組み合わせて活用することができる |
4.2.5 トップダウンアプローチ |
4.2.5.1 音声認識、自然言語処理、画像認識のモジュール |
4.2.6 ボトムアップアプローチ |
4.2.6.1 脳の構造そのものを生理学的に解明し、その構造を工学的に再現しようというアプローチ |
4.2.7 フレーム問題 |
4.2.7.1 弱いAI |
4.2.7.1.1 あらかじめフレームを特定してそのフレーム内における特定条件下で動作する人工知能 |
4.2.8 脳とニューラルネットワーク |
4.2.8.1 脳の構成単位であるニューロンを簡易的に模倣して工学的に再現する試み |
4.2.9 ニューロン |
4.2.9.1 周囲の他のニューロンからの信号を受け取る樹状突起と、周囲のニューロンに信号を送る軸策による |
4.2.10 ニューロン間の情報伝達 |
4.2.10.1 「りんご」を学習するとき、果実、赤、丸の3つの特徴を持つニューロンだけが発火する |
4.2.11 情報とニューロン |
4.2.11.1 脳は複数のニューロンにまたがって分散的に情報を保持し、また、新しい情報が入ってきたときは脳全体で学習し、全体で保管しているのではないかと言われている |
4.2.11.2 自分の存在は周りとの関係性で定義づけられている |
4.3 機械学習 |
4.3.1 近年なにかと話題に上がる人工知能、いわゆる弱いAI |
4.3.2 機械学習とはなにか |
4.3.2.1 コンピュータへの命令としてプログラムを書くときに人の手ですべてをやるには大変な部分を自動で機械に学習してもらおう |
4.3.2.2 「認識」と「認知」があることを理解する必要がある |
4.3.2.3 認知 |
4.3.2.3.1 より効率的に多くの概念を学習できることと、それぞれの概念に対する汎用性が求められる |
4.3.2.3.2 認知能力が汎用性を持つほど、認識側でもどのような情報を取り出せば効率的日認知できるかがわかるようになり、認識の能力が向上する |
4.3.3 最適解と局所解 |
4.3.3.1 最適解を目標、局所解を現状と置き換えて考える |
4.3.3.2 現状ある程度いいところまで学習できるようになった状態を局所解 |
4.3.3.3 100すべてを学習できた段階を最適解という |
4.3.4 教師あり学習 |
4.3.4.1 ラベル付け |
4.3.4.1.1 データにつけられた情報。データを学習器に入力したときに、その答えが与えられたラベルと一致するように。弱いAI |
4.3.5 教師なし学習 |
4.3.5.1 ラベルの付いていないデータを用いて、そのデータのラベルや境界を推測していく |
4.3.5.2 データをなんとなくその特徴から分類し、クラスターというデータの塊をつくる |
4.3.6 強化学習 |
4.3.6.1 あるエージェント(行動主体)が、自らの置かれた環境の状況に応じて、特定の行動を行ったときにのみ報酬を与える |
4.3.6.2 コンピュータプログラム上で、この報酬を設計することでプログラムが自動的にその報酬を満たすような振る舞いを体得していく |
4.3.6.3 報酬を最大化するには、安定したスロットマシーンだけでなく、確率の低いスロットマシーンにもその潜在的なポテンシャルが潜んでいることを考慮 |
4.3.6.4 探索とはリスクをとって新たなチャレンジを起こすこと |
4.3.6.5 活用は、探索を含めた過去の経験から最もローリスクハイリターンな行動をとること |
4.3.7 ニューラルネットワーク |
4.3.7.1 脳の神経回路網を工学的に再現することで、高度な情報処理を実現しようという試み |
4.3.8 形式ニューロン |
4.3.8.1 1943年脳のニューロンの工学的模倣として、形式ニューロンが提案された |
4.3.9 機械処理とデータセットによる復活 |
4.3.9.1 線形分離可能な問題しか解けなかったパーセプトロンが、バックプロパゲーショんの提案によって、非線形分離可能な問題を解く力を獲得 |
4.3.9.2 当時のコンピュータの処理能力では、計算コストが非常に高く、実験による有用性の証明が困難だった。そのためにまた冬の時代を迎えることになる |
4.3.9.3 パーセプトロンは教師あり学習であり。この学習にはラベル付きの大量のデータが必要になる |
4.3.9.4 ネット上にはたくさんのデジタルデータが生み出され、あふれるデータとコンピュータ処理能力の発展は新たなブームを呼び起こした |
4.3.9.5 この火付け役になったのが2012年開催の画像認識コンテスト(ILSVRC)におけるGeoffrey Everest Hinton教授をはじめとする研究グループのニューラルネットワークによるディープラーニング手法を用いた圧倒的な画像認識精度の実現による勝利 |
4.3.10 ディープラーニングとは |
4.3.10.1 まず、1つ目の理由は、ネットワーク構造をよりディープに深くするということ |
4.3.10.2 もう一つの理由は、ディープラーニングによって、特徴抽出が機会にやらせることができるようになったこと |
4.3.10.3 従来は特徴量抽出手法を、場合に応じて使い分けを人の手で意図的に行う必要があった。しかし、ディープラーニングでは、特徴量抽出の部分自体も学習による自動で獲得することができるようになった |
4.3.10.4 医療分野の場合、あらかじめ大量の集めやすい事前画像によるディープラーニングの学習によって獲得された小さい概念が、医療系画像における認識においても使いまわすことができた |
4.3.10.5 過学習 |
4.3.10.5.1 例えば、教科書に書かれている例題をいくら正確に説くことができたとしても、ちょっとひねったテストの問題では歯が立たないといった勉強の仕方では意味がない |
4.3.11 現状のディープラーニングの手法に関する課題 |
4.3.11.1 伝言ゲームで最後の人に伝言が使ったときに、初めの伝言と違った意味になっていく現象 |
4.3.11.2 学習における重みづけ更新の手法を改善する必要がある |
4.3.12 学習させるデータの課題 |
4.3.12.1 ただ大量であるだけでなく、質が求められる |
4.3.12.2 実際には、学習において教師ありのラベル付きデータが必要となるため、データに対してラベル付を人の手で行うことになる。データ量が増えるほど学習精度はあがる一方、ラベル付する量や時間的コストも大きくなる |
4.3.13 ディープラーニングの計算・実装における課題 |
4.3.13.1 並列高速計算処理ができるGPUが必要となる |
4.3.14 根本的なディープラーニングの手法の見直し |
4.3.14.1 手法自体の発展が目覚ましいわけでなく、コンピュータ計算処理能力がやっと理論に追いついた状況 |
4.3.14.2 実際の脳のニューロンの構造的には、横に広く浅いことが知られているが、現在のディープラーニングは縦に層を深くするほど精度が改善しているのが現状 |
4.3.14.3 今後はデータを見て、ディープラーニング自体が自からのネットワーク構造を最適化して決定していくような仕組みも必要となる |
4.4 ディープラーニングと画像認識 |
4.4.1 学習データの用意 |
4.4.2 学習の繰り返しと評価 |
4.5 進化計算 |
4.5.1 巡回セールスマン問題 |
4.5.2 進化型ニューラルネットワーク |
4.5.3 NEAT |
4.6 まとめ |
4.6.1 現在の弱いAIをさらに高度化できるのではないかと期待される進化計算とそれに関連する遺伝子アルゴリズムや進化型ニューラルネットワーク。そのポテンシャルと実際にNEATにおけるニューラルネットワークの学習プロセスについて学ぶ |
5 人工知能(AI)活用時代に必要とされる能力とは?ビジネスで差がつく「データサイエンス力」 |
5.1 https://www.salesforce.com/jp/blog/2017/02/Artificial-Intelligence.html |
5.2 人工知能(AI)の活用が一般化する時代における重要な能力(総務省「ICTの進化が雇用と働き方に及ぼす影響に関する調査研究」) |
5.2.1 情報収集能力や課題解決能力、論理的思考などの業務遂行能力 |
5.2.2 チャレンジ精神や主体性、行動力、洞察力などの人間的資質 |
5.2.3 企画発想力や創造性 |
5.2.4 語学力や理解力、表現力などの基礎的素養 |
5.2.5 コミュニケーション能力やコーチングなどの対人関係能力 |
5.2.6 |
5.3 考察 |
5.3.1 人工知能(AI)を設計・開発するような時には、 |
5.3.1.1 企画や創造力を、 |
5.3.2 アルゴリズムを設計・開発するような場合には |
5.3.2.1 論理的思考能力が、 |
5.3.3 人工知能(AI)を運用する場合には、 |
5.3.3.1 関係各所との調整力といった能力が |
5.4 日米間での情報リテラシーのギャップや、情報収集能力の格差 |
5.5 組織としてデータ分析・活用ができているか? |
5.5.1 収集された大量のデータが分析されずに“宝の持ち腐れ”状態に陥っている可能性があります。社内の誰もが簡単にアクセス・活用できない |
5.5.2 社内の誰もが簡単にアクセス・活用できない、リアルタイムで意思決定に活用できないという状況は、経営判断を誤らせたり、鈍らせたりすることにもつながりかねません。 |
5.6 ビジネスリーダーの2人に1人が課題を認識 |
5.7 ビジネスにおけるデータサイエンスは、どうあるべきか? |
5.7.1 従来の“勘”や“経験”のような曖昧な裏づけではなく、確かなデータサイエンスに基づいて、ビジネス上の意思決定を行えるようになることが必要 |
5.8 ポイントは「顧客の時代」と「スピード経営」 |
5.8.1 顧客がマーケットの主導権を握る「顧客の時代」に対応すること。 |
5.8.2 もうひとつは、めまぐるしい市場変化に対して迅速な意思決定を行う「スピード経営」を実現すること。 |
6 グーグルに学ぶディープラーニング(日経ビッグデータ) |
6.1 序章 |
6.1.1 ディープラーニングがすべてのビジネスを変える |
6.1.2 ビッグデータでディープラ一二ングが実力発揮 |
6.1.2.1 あらゆる機器をインターネットに接続して稼働データなどを収集するIoTの浸透によって、実社会のデータ化、デジタル化が進む |
6.1.3 トヨタは日米の全乗用車を通信対応に |
6.1.3.1 企業の競争力はデータを収集し、価値に変える能力 |
6.1.4 人工知能でイノベーションを生む時代に |
6.1.4.1 イノベ-ションとは、お客さんに聞いても答えられないような問題を解決したときにのみ生まれる |
6.1.4.2 デジタル化された実世界の可視化、最適化が進められるようになっている |
6.1.4.3 さまざまな業界にビッグデータ×人工知能による変革が生まれる |
6.1.4.4 |
6.1.4.5 データ取得 |
6.1.4.5.1 センサー |
6.1.4.5.2 ウェラブルデバイス |
6.1.4.5.3 ポイントカード |
6.1.4.5.4 スマホアプリ |
6.1.4.5.5 API |
6.1.4.6 デジタルトランスフォーメーションによる業界構造の変革 |
6.1.4.6.1 製造 |
6.1.4.6.1.1 インダストリアル・インターネット/インタストリ- 4.0 |
6.1.4.6.2 流通 |
6.1.4.6.2.1 EC・オム二チャネル |
6.1.4.6.3 運輸・輸送 |
6.1.4.6.3.1 自動運転・シェアリングエコノミ- |
6.1.4.6.4 医療 |
6.1.4.6.4.1 創薬・個別化医療・医療費削減(データヘルス計画) |
6.1.4.6.5 金融 |
6.1.4.6.5.1 FinTech (融資査定や保険料の個別化) |
6.1.4.6.6 エネルギー/住宅 |
6.1.4.6.6.1 スマートハウス/HEMS |
6.1.4.6.7 教育 |
6.1.4.6.7.1 EduTech(アダプティブラ一二ングなど) |
6.1.4.6.8 人材 |
6.1.4.6.8.1 HRTech |
6.1.4.6.9 建設 |
6.1.4.6.9.1 スマートコンストラクション i-Construction |
6.1.4.6.10 公共 |
6.1.4.6.10.1 ビ、ッグデータによる新経済・消費指標 |
6.1.5 中小企業にも人工知能の恩恵 |
6.1.5.1 最近、クラウドサービスを提供する大手IT企業などが、独自データであらかじめ学習をさせた人工知能APl (アプリケ-ション・プログラミング・インタ-フ工-ス)の提供種類を増やしている |
6.1.5.2 人工知能を業務改善に活用するなら、誰でも今すぐ利用できる時代 |
6.2 1章 超入門 |
6.2.1 人工知能と機械学習とディープラ一二ングはどう違う? |
6.2.1.1 ディープラ一二ングは機械学習の一部 |
6.2.1.1.1 人工知能=知的な情報処理をするもの、またはその技術 |
6.2.1.1.2 大きな概念として知的な処理をする「人工知能j |
6.2.1.1.3 機械学習もディ-プラ一二ングも、人工知能を実現するための手法 |
6.2.1.1.4 機械学習のlつの分野が、ディ-プラ一二ング |
6.2.1.1.5 |
6.2.1.2 機械学習は人聞がプログラムを作らない |
6.2.1.2.1 機械学習は、プログラムを人聞が作りません。どう判断するかを人間が教えることなく、機械が自分で学ぶことから、『機械学習』と呼ぶ |
6.2.1.2.2 入力の答えとなる出力のセットの例を、たくさん機械に与える |
6.2.1.2.3 機械が答えを出すための手法を、人聞がプログラムとして与えるのではなく、機械が自動的に膨大なデータから学習してモデルを作るのが、機械学習 |
6.2.1.2.4 機械の中で、入力に対して正しい答えが導き出されるような「モデル」が作られるだけ |
6.2.1.2.5 膨大な入力と答えのセットから知識を獲得していく |
6.2.1.2.6 |
6.2.1.3 コンビューターの発達がディープラ一二ングを可能に |
6.2.1.3.1 複数の層の処理を重ねて複雑な判断をできるようにする技術として、深層学習、すなわちディ-プラ一二ングと呼ばれる |
6.2.1.3.2 コンビューターの計算力の大幅な向上と、インターネットなどを介して大量なデータを収集することができるようになったことによって、この数年で実用レベルに達してきた |
6.2.1.4 「リサーチの洪水Jのごとき人工知能の広がり |
6.2.1.4.1 ネットワークインフラや大規模データ処理、機械学習を含むコアテクノ口ジーを外部に提供するためのプロジェクト |
6.2.1.5 「モバイルファーストjから「AIファースト」ヘ |
6.2.1.5.1 機械学習で可能となる価値をさまざまなかたちで具現化していく |
6.2.1.5.2 グーグルでは、ライフラリをオープンソース化するなど、GCPを通じて、AIファーストの成果を外部に提供するプロジェクトを進めている |
6.2.1.5.3 安価で誰もが画像認識や音声認識、翻訳などの人工知能を利用できるように |
6.3 2章 ディープラーニングの仕組み |
6.3.1 機械学習「以外jの人工知能とは |
6.3.1.1 その代表的な方式が、世の中の出来事を論理式で書き出すというもの |
6.3.1.2 人聞が『AならばB』という関係をコンビュータ-に教えるので、機械学習ではない |
6.3.1.3 ゴールを定めておいて、ゴールを達成するには「その前に何をする必要があるか?J |
6.3.1.4 人工知能はすべての知的なことを解釈しようと考える |
6.3.1.5 分野を限って人工知能の力を最大限に発揮しようと考えたのが工キスパートシステム |
6.3.1.6 機械学習以外の人工知能では、コンビューターが考えるための条件式を必ず人間が教えなければならない |
6.3.1.7 ルールを決めることから、「ルールベースの人工知能Jという |
6.3.2 機械学習の基本 |
6.3.2.1 学習するための材料と、学習するための考え方を与える必要がある |
6.3.2.2 入力と出力のセットを大量に用意し、コンビューターに学習させていくことを機械学習と呼ぶ |
6.3.2.3 |
6.3.2.4 モデルは、入力から出力を得るための計算のプロセスを表現したもの |
6.3.2.5 大量に与えられた信号を機械が計算することで、入力と出力の聞を関係づけるモデルが出来上がる |
6.3.3 機械学習といってもいろいろな手法がある |
6.3.3.1 どのようなモデルで機械学習をするかは、人間が設定しなければいけない |
6.3.3.2 機械学習で扱われるモデルには、多くの種類がある。 |
6.3.3.3 「決定木」「帰納推論」 「二ユ-ラルネットワーク」 「デ イ-プラ一二ング」などが代表的なもの |
6.3.3.4 ここでようやく「ディープラーニングJが出てきました。 |
6.3.3.5 機械学習のlつの手法が、ディープラーニング |
6.3.4 ニューラルネットワークは脳の神経構造 |
6.3.4.1 脳の神経の構造を論理的にまねすることで、知的な処理をコンビューターにさせようというもの |
6.3.4.2 シナプスは、隣接するシナプスからの信号の入力が一定の値を超えると、次のシナプスに対して信号を送り出す一方通行の神経伝達 |
6.3.4.3 人工的に作ったニューロンがニューラルネットワークの「ノード」と呼ばれる |
6.3.4.4 |
6.3.4.5 |
6.3.4.6 |
6.3.4.7 ディ-プラ一二ングが、ルールベースの人工知能や他の機械学習と異なるのは、とても単純であること |
6.3.5 分類の仕方はコンビューターが自分で学んでいく |
6.3.5.1 一般的なプログラム言語では、グラフの中の境界線を人聞が設定することで関係を判断する |
6.3.5.2 |
6.3.5.3 |
6.3.5.4 |
6.3.6 ネット上の「遊び場jで、ニューラルネットを理解する |
6.3.6.1 Playgroundでニューラルネットワークを体感。単純な分類ならば、1層でもOK |
6.3.6.1.1 |
6.3.6.2 らせんが入り組んだようなパターンの場合、多層化と二ユーロン数の増加によって対応で、きることが体験できます |
6.3.6.2.1 |
6.3.6.3 ニューラルネットとディ-プラ一二ングを理解する際のポイント |
6.3.6.3.1 ニューラルネットでは、お手本データをたくさん読み込むことで、間違いが少なくなるように二ユーロン聞の関係を示す値を調整しながら学習する |
6.3.6.3.2 データが複雑になるほど、多くの層の二ユ-ラルネットが必要になる |
6.3.6.3.3 最大のポイントは人聞がプログラムして動くのではなく、コンビューターが自ら特徴を見つけだす |
6.3.6.4 ディ-プラ一二ングが注目されていることのlつの理由は、人聞を超える可能性にある |
6.3.7 教師あり学習と強化学習 |
6.3.7.1 サッカーの試合に勝つために、繰り返し繰り返しゲームのスタイルでパスやシユ-トをしながら勝ちパターンを学んでいくといった学習の仕方は、強化学習に近い |
6.3.7.2 たくさんのデータを入力して、データ自体の構造を発見するといった場合に用いられるクラスタリング分析などで用いられる手法 |
6.3.8 「アルファ碁Jは強化学習をフル活用 |
6.3.8.1 アルファ碁は、架空の対局を自分で繰り返し、勝利という目的に向かつて調整を続けた |
6.4 3章 グーグルのディープラーニング活用事例 |
6.4.1 ■未来へ向けて、広がるディープラーニングの活用 |
6.4.1.1 話しかけて使う家庭のAIコンシェルジュ |
6.4.1.1.1 Google Home |
6.4.1.2 人間相手のように話が通じる!? |
6.4.1.2.1 Amazon Echo |
6.4.2 ■自動運転を支えるディープラ一二ング |
6.4.2.1 ディープラ一二ングでデータセンターを劇的に省エネ化 |
6.4.3 ■人閣の目を超える、ものを見分ける画像認識 |
6.4.3.1 写真を自動で分類する「Googleフォトj |
6.4.3.1.1 「Googleフォトjでは写真をあらかじめ分類しなくても、例えば「ChristmasJと検索すれば関連する画像を一覧にできます |
6.4.3.1.2 |
6.4.3.2 お絵描きを人工知能が評価する「Quick Draw」 |
6.4.3.2.1 Quick, Draw!は人工知能が出すお題(Umbrella(傘))に人が手書きでイラストを箔いて、人工知能に正しく当ててもらうゲームです |
6.4.3.2.2 |
6.4.3.3 コンピュータも夢を見られるのか?「ディープドリーム」の実験 |
6.4.3.4 優れたアートや音楽を生み出す「マジェンタj |
6.4.3.5 動画像の認識も!「読唇術で人間の専門家に勝つ」 |
6.4.4 ■文章を理解するテキスト分析 |
6.4.4.1 自動で返信メールの候補文を作る「Inbox」 |
6.4.4.2 迷惑メールフィルタの精度も格段に向上 |
6.4.4.3 企業の情報検索をスムーズにする「グーグルスプリングボードJ |
6.4.4.3.1 情報を探すための時聞を短縮できる検索インタ-フエースを提供するほか、実用的な情報やお薦めの情報をプッシユ型で提供し、企業で働く人たちの時間を有効に活用できるように支援する |
6.4.5 ■話しかけるだけでコンビューターと意思疎通をする「音声認識」 |
6.4.5.1 会話しながら人聞をサポートする「GoogleアシスタントJ |
6.4.5.2 合成音声もピアノの曲も作成できる「WaveNet」 |
6.4.6 ■言語の壁を越える可能性が見えてきた「機械翻訳」 |
6.4.6.1 ニューラルネットでGoogle翻訳が進化 |
6.4.6.1.1 グーグルでは20 l 6年、Google翻訊にディ-プラ一二ンク、の手法を使ったニューラルネットワークを適用し、翻訳の品質をぐんと高めることに成功 |
6.4.6.1.2 グーグルニューラル機械翻訊: GNMT)では、そうした区切りはありません。文章の全体を見て、どう訳すか決めていく |
6.4.6.1.3 Google翻訳の精度向上前後の翻訳結果 |
6.4.6.1.3.1 |
6.4.7 ■ディープラ一二ングの成果を手軽に使える「機械学習API 」 |
6.4.7.1 lつが機械学習の訓練済みモデルを、APl として提供するかたち |
6.4.7.2 もうlつが、機械学習ライブラリの「テンソルフ口- (TeosorFlow)の提供 |
6.4.7.3 クークルが提供する4種類の機械学習AP |
6.4.7.3.1 |
6.4.7.3.2 Natural Language APIのテモ画面で例文を入れて、解ができるか確認できます |
6.4.7.3.2.1 |
6.4.7.3.3 • Google Cloud Vision API |
6.4.7.3.4 • Google Cloud Speech API |
6.4.7.3.5 • Google Natural Language API |
6.4.7.3.6 • Google Cloud Translate API |
6.4.7.4 カスタマイズしたディープラ一二ングを活用できる「テンソルフロー」 |
6.4.7.4.1 テンソルフローを利用することの最大のメリットは、パイソン(Python)という言語で簡単なコードを書くだけで、ディ-プラ一二ングを利用できること |
6.4.7.4.2 APIの利用が「既製服Jだとすれば、テンソルフローの利用は「イージ-オーダーjぐらいのイメージ |
6.4.7.5 ディープラ一二ングが向く領域、向かない領域 |
6.4.7.5.1 これからは機械学習やディ-プラ一二ンク、が必ずさまざまな領域で、広がってきます。工ンジ二アだけが知識を持っていればいいのではなく、ビジネスサイドの人もある程度は正確に把握していないといけない |
6.4.7.5.2 得意なところは、大量にデータがあるような非常に複雑な問題 |
6.4.7.5.3 複雑な問題になればなるほど、ディ-プラ一二ングは力を発揮 |
6.4.7.5.4 ディ-プラ一二ングは「企業のサービスの作り方を根底から変える可能性がある |
6.4.7.5.5 機械学習やディ-プラ一二ングをビジネスのどこに適用したらいいか、その発想ができることが重要 |
6.4.7.5.6 プログラムを書いたり、計算機を買ったりするところまで自前で行う必要はない |
6.5 4章 企業事例編 ディープラ一二ングで業務効率化、園内で続々始まる |
6.5.1 安藤ハザマ、トンネル工事の岩盤の硬さを判定 |
6.5.1.1 トンネル切羽AI自動評価システムの概念図 |
6.5.1.1.1 |
6.5.1.2 掘削工事の自動的な最適化まで視野に |
6.5.2 クルマの写真から型式まで特定、オークネットIBS |
6.5.3 工アロセンス、ドローン空撮データヘ活用 |
6.5.3.1 少ない教師データで自動車の台数検出システムを構築 |
6.5.3.2 測量の効率を高めるマーカーを開発 |
6.5.4 Peach、音声認識APlで運航案内を24時間化 |
6.5.4.1 人と人工知能の役割分担 |
6.5.4.1.1 運航情報の案内のような人工知能のシステムでできることは、システムに任せればいいでしょう。一方で、複雑な対応は人手でする必要があります |
6.5.4.2 PeachのCEO (最高経営責任者)である井上慎ーさんは常に、「何かおもろいことをやれ」 |
6.5.5 三井住友FG、カード不正検知精度が劇的に向上 |
6.5.5.1 ディープラーニングでクレジットカードの不正検知精度を向上 |
6.5.5.1.1 |
6.5.5.2 コールセンターへは全席に導入 |
6.5.5.2.1 lつは安心・安全なサービス提供、2つ目は、顧客サービスの向上や行員の生産性の向上、3つ目はチヤツトボット(自動会話プログラム)のような新たな顧客体験の実現 |
6.5.5.2.2 外部の膨大な情報を人工知能で自然言語処理して、役立つセキュリティー対策情報を自動で、導きだすことができる |
6.5.5.2.3 まずは行員向けの照会回答業務から利用を開始して精度の向上を進めており、顧客向けサービスへの利用の可能性を探っていきます。 |
6.5.5.3 データから答えは出てこない |
6.5.5.3.1 人工知能活用ステップのフレームワーク化を進め、各部署に共有し、人工知能活用をさらに加速しようとしている |
6.5.5.3.2 人工知能などで業務改善や顧客体験を向上させるために必要なデータを使える状態に整備している |
6.5.6 先行する画像データの活用 |
6.5.7 音声データはコールセンター中心 |
6.5.7.1 Watsonは自然言語処理と機械学習の技術を使用して、マニュアル、FA Q、判例、診断記録テキストのような大量の非構造化データから洞察を得ることを得意とする |
6.5.7.2 センサーでは、機器の異常検知や稼働状況の可視化などが主な用途 |
6.5.8 まずはコスト削減から入るのが現実的 |
6.5.8.1 l .コスト削減2. 付加価値を高めて新たなビジネス機会を創出3. クリ工イティフ性の向上 |
6.5.8.2 クリ工イティブ性の向上はディ-プラ一二ングならではの期待 |
6.5.8.3 人の労働には「品質!こぶれJがあり「長時間は働けないJ点、も理解すべき |
6.5.8.4 最低限、こうしてシステム開発費用と人件費だけでなく、作業品質と稼働時間などの総合的な要素を含めて投資対効果を考えることも必要になる |
6.5.8.5 大切なのは、ディ-プラ一二ングなど機械学習によるシステム開発は、従来のシステム開発とは異なるという認識を持つこと |
6.6 5章 活用フレームワーク編 データ×目的で、整理し、活用の展開図を描こう |
6.6.1 お客さまのデータ活用にかかわる悩みを解決する |
6.6.2 まず小規模なPoC(ブルーフ・オフ・コンセプト:概念実証)を実施し |
6.6.3 ■データ×目的による整理法 |
6.6.3.1 ディ-プラ一二ング活用の目的は、「1 コスト削減」「2. 付加価値を高めて新たなビジネス機会を創出」「3. クリ工イティブ性の向上jです。一方で使われるデータは「l.画像」 「2. テキスト」 「3. 音声」「4.センサ-」となる |
6.6.3.2 目的×データからディープラ一二ンクの活用方法を整理する |
6.6.3.2.1 |
6.6.3.3 先行する画像データの活用 |
6.6.3.4 音声データはコールセンター中心 |
6.6.3.4.1 Watsonは事前言語処理と機械学習の技術を使用して、マニュアル、FAQ、判例、診断記録テキストのような大量の非構造化データから洞察を得ることを得意としている |
6.6.3.4.2 センサーでは、機器の異常検知や稼働状況の可視化などが主な用途 |
6.6.3.5 まずはコスト削減から入るのが現実的 |
6.6.3.5.1 1.コスト削減 |
6.6.3.5.2 2.付加価値を高めて新たなビジネス機会を創出 |
6.6.3.5.3 3.クリエイティブ性の向上 |
6.6.3.5.3.1 ディープラーニングならではの期待 |
6.6.3.5.4 人の労働には、「品質にぶれ」があり「長時間は働けない」点も理解すべきだ |
6.6.3.5.5 最低限、システム開発費用と人件費だけでなく、作業品質と稼働時間などの総合的な要素も含めて投資対効果を考えることも必要 |
6.6.3.5.5.1 |
6.6.3.5.6 大切なのは、ディープラーニングなど機械学習によるシステム開発は、従来のシステム開発とは異なるという認識を持つこと |
6.6.4 ■成功に必要な常識と人材の転換 |
6.6.4.1 活用の展開図を描けるか |
6.6.4.1.1 業務効率化から始まり、新たな顧客体験の創造、他事業への展開を構想できるのが好例 |
6.6.4.1.2 (1) ビジネス現場で適用可能かどうか、 (2 )それに関連したデータを保有しているか、(3)データがディ-プラ一二ング向きかどうかの判断 |
6.6.4.2 必要な人材像は? |
6.6.4.2.1 【グーグルに学ぶディープラーニング(日経ビッグデータ)】 |
6.6.4.2.2 l .ビジネスの旗振り役2 ディ-プラ一二ングの技術者、データサイ工ンテイスト3. モデルを組み込んだシステムを作る工ンジ二ア4. ビジネスと工ンジ二ア、データサイ工ンテイストの橋渡し役 |
6.6.4.2.3 4の橋渡し役が既存の組織にはない、一方で重要な役割を果たす人です。「工ンジ二アと人工知能の技術を理解しながらビジネスとつないでいく人 |
6.6.4.2.4 人工知能の技術側はテンソルフローのようなライブラリが整備されたり、多種多様なAPlが提供されたりしてハードルが下がってきた |
6.6.4.2.5 どうビジネスに生かすかを描き、人工知能プロジェクトをマネジメントできる人材が求められる段階になってきた |
6.6.4.3 機械学習はコモディティー化、次の特別な存在は |
6.6.4.3.1 自社のビジネスに適切に使うことが差異化のポイント |
6.6.4.3.2 人工知能力、特別でなくなった次に特別な価値を持つのは、データ |
6.6.4.3.3 ディ-プラ一二ングに可能な限り早く取り組み、知見を積み、自社に必要になるデータを理解し、1日でも早くそのデータをため始めることが大事 |
6.7 6章 将来展望編 ディープラーニングが課題を解決する未来ヘ |
6.7.1 技術革新の牽引役はディープラ一二ング |
6.7.1.1 先進的なアルゴリズムであるディ-プラ一二ングがこれらのファクターを統合して、画像認識を高精度に行えるようにした |
6.7.2 人間は優秀、アルゴリズムの研究はまだまだ途上 |
6.7.2.1 人聞は、膨大な知識を使って、文脈(コンテキスト)を把握した上で画像を認識できます。ひと目で状況を判断する「百聞は一見にしかずjといった部分 |
6.7.2.2 コンビューターや自然言語処理、画像処理などそれぞれの分野の研究成果の集大成という側面があります。 |
6.7.3 ディープラ一二ングは「データハングリーJ |
6.7.4 現実世界の課題を解決することがAl研究の目標 |
6.7.4.1 Alや機械学習の研究者の専門知識を統合することで、お客さまの課題を解決できる |
6.7.4.2 コンピュ-ターがもっと知的になって高度化して、人間がその取り巻く世界を認知、認識するのと同じレベルで認知、認識ができるようになれば、コンビューターによる世界の解釈の仕方が高度化し、人間とコンビューターのインタラクションもより高度化していきます。 |
6.7.4.3 今は人聞がやっている退屈な反復作業、リスクのある作業、高い精度を必要とする作業は、Alを活用することでコンピュータに任せられる |
6.8 おわりに |
7 2020年を見据えたグローバル企業のIT戦略 IoT編【2015年11月27日入江宏志】 |
7.1 第1章 IoT時代のシステム構築はイベントドリブン型になる |
7.1.1 モビリティ |
7.1.1.1 SMBC |
7.1.1.1.1 Social, Mobile, Bigdata, Cloud |
7.1.1.2 SMACS |
7.1.1.2.1 Social, Mobile, Bigdata, Cloud, Security |
7.1.2 デマンドドリブン型システムの限界 |
7.1.2.1 |
7.1.3 イベントドリブン型システムの登場 |
7.1.3.1 |
7.1.3.2 完璧な要件定義が不可能であるならば、あいまいな要件を前提に、運用しながらシステムが成長できるように開発しなければならない |
7.1.4 モノづくりが根本から変わっていく |
7.1.4.1 Industry 4.0 |
7.1.4.1.1 インターネットやビッグデータ分析、人工知能などを製造業に適用する |
7.1.4.1.2 ネットと製造を結びつけるのがIoT |
7.1.4.1.3 モノから得られるデータに大きな価値を見出すようになる |
7.1.4.2 |
7.2 第2章 IoT活用で問われているのは発想力、ブレインライティングが有効 |
7.2.1 IoT+イベントドリブン型の取り組みは始まっている |
7.2.1.1 事例1:歩行者に合わせて切り替え時間が変わる信号機 |
7.2.1.2 事例2:サイズjにあった衣類の提案 |
7.2.1.3 事例3:犯罪が起こる前に到着する警察 |
7.2.1.4 事例4:注文前に発送するという特許 |
7.2.2 イノベーションを支えるのはアイデア/発想である |
7.2.3 ブレインライティングで他者のアイデアを膨らませる |
7.2.4 既存IoT事例からイベントドリブン型システムを発想 |
7.3 第3章 IoTが導く第3のドリブンは"エモーション(感情)" |
7.3.1 |
7.4 IoTでデータを再集中させるセンサーの課題が未解決 |
7.4.1 |
7.4.2 |
7.5 第5章 IoTで活性化するロボットと人工知能(AI) |
7.5.1 |
7.6 第6章 IoTが実現する社会に向けた戦略を確立せよ |
7.6.1 SMBC |
7.6.1.1 ドローン |
7.6.1.2 ウェラブル |
7.6.1.3 センサー |
7.6.1.4 Mobileコマース |
7.6.1.5 交通情報 |
7.6.1.6 フォグコンピューティング |
7.6.1.6.1 データの発生地点に近いところにある小さなクラウド(フォグ)で集約 |
7.6.1.6.2 蓄積が必要なデータは選別してクラウドに送る |
7.6.2 デマンドドリブンとイベントドリブンが融合 |
7.6.2.1 従来のITは、デマンドドリブン型 |
7.6.2.2 IoTによって実現されるのは、デマンドドリブンとイベントドリブンの融合 |
7.6.2.3 人々、M2Mで、より最適なモノやプロセスなどを提案する究極の 1 on 1 |
7.6.2.4 |
7.6.2.5 これからのプロセスは、OODA(Observe, Orient, Decide, Act)の流れで柔軟に対処しなけばならない |
7.6.2.6 OODAでは、常に動向を監視(Observe)しておき、ここぞという時に標的を定め(Orient)し、決定(Decide)し、アクション(Act)を取る |
7.6.3 ビジネスを含めて科学的アプローチが主流 |
7.6.3.1 OODAの考え方により、まずは最小ロットで始め、商品の売れ行きをモニターして、売れ行きに合わせて修正し、商品の改良版を迅速に出そうとしている⇒イベントドリブン型 |
7.6.3.2 科学的なアプローチ・アルゴリズム |
7.6.3.2.1 ヘイズ理論 |
7.6.3.2.2 フェルミ推定 |
7.6.4 ICTの発展が、これからの社会を切り拓く |
7.6.4.1 IoTによるエモーションドリブン型システムは、将来的には「Brain Computing」へのつながる日も近い |
7.6.4.2 |
8 平成28年度情報通信白書【総務省】 |
8.1 特集「IoT・ビッグデータ・AI ~ネットワークとデータが創造する新たな価値」 |
8.1.1 |
8.1.2 |
8.1.3 ICT投資の現状 |
8.1.3.1 ○我が国の大きな課題の一つである少子高齢化による労働力不足に対処するためには、積極的なICT投資を行い生産性向上等を図っていくことが重要。 |
8.1.3.2 ○これまでの日本企業の主なICT投資は、業務効率化及びコスト削減の実現を目的とした「守りのICT投資」。一方米国企業は、「ICTによる製品/サービス開発強化」、「ICTを活用したビジネスモデル変革」などを目的とした「攻めのICT投資」により、ICT製品、サービスで先行。 |
8.1.3.3 ○今後の日本企業のICT投資は、ハードからソフトやサービスへとシフトする見通しであり、クラウドなど生産性向上に寄与するICTの導入が進む可能性がある。 |
8.1.4 ICTがもたらす非貨幣的価値 |
8.1.4.1 ○ICTの価値は企業側と消費者側それぞれにもたらされるが、企業側は最終的にGDPの増加等として既存統計でとらえられるのに対し、消費者側は既存統計でとらえられていない部分(非貨幣的価値)がある。 |
8.1.4.2 ○消費者側にもたらされるICTの非貨幣的価値として、①消費者余剰、②時間の節約、③情報資産(レビュー等)に着目して分析し、以下の結果を得た。 |
8.1.4.3 ①消費者余剰(消費者が支払っても良いと考える価格と、実際に支払われている価格との差)について、音楽・動画視聴サービスを事例に分析すると、 |
8.1.4.4 利用者は1ヶ月あたり150円~200円程度の余剰を得ている。 |
8.1.4.5 ②時間の節約について、ネットショッピングを事例に分析すると、1回あたり40分~1時間程度の節約になった。 |
8.1.4.6 ③情報資産(レビュー)について、ネットショッピングを事例に分析すると、8割以上の利用者がレビューによって購入する商品を決定した経験がある。 |
8.1.5 IoT/ビッグデータ時代に向けた新たな情報通信政策 |
8.1.5.1 IoT/ビッグデータ/AI等の発展による世界的な産業構造の変革にあたって、IoT時代に対応した新たな生産プロセスの開発やサプライチェーン全体の最適化を目指し、官民を挙げた取組が各国で本格化する中、我が国においても、産学官の連携によるIoT推進体制として、平成27年10月に「IoT推進コンソーシアム」が設立された。 |
8.1.6 人工知能(AI)と雇用への影響 |
8.1.6.1 |
8.1.6.2 タスクの変化 |
8.1.6.2.1 AIの業務効率・生産性の向上効果により、機械化可能性が高い職種のタスク量が減少 |
8.1.6.2.2 AIの新規事業創出効果により、新しく創出される職種のタスク量が増加 |
8.1.6.2.3 新しく創出される職種 |
8.1.6.2.3.1 『AIを導入・普及させるために必要な仕事』と『AIを活用した新しい仕事』の2種類の仕事により、タスク量が増加 |
8.1.6.3 雇用の一部代替 |
8.1.6.3.1 仕事のすべて、つまりは雇用が奪われるのではなく、仕事のうちAI活用と比べて同じ生産性でコストが割高となる一部のタスクのみが、AIに取って代わられる |
8.1.6.4 雇用の補完 |
8.1.6.4.1 少子高齢化の進展に伴い、不足する労働力供給が、 AIやAIと一緒に働く人間、AIによりタスク量が減少した人間によって補完される |
8.1.6.5 産業競争力への直結による雇用の維持・拡大 |
8.1.6.5.1 AIの利活用にいち早く取り組んだ企業が、産業競争力を向上させることにより、雇用が維持・拡大される |
8.1.6.5.2 (但し、日本企業にとって、 デジタル化や業務プロセス最適化への対応の遅れが、 AIの導入・利活用の足かせになりやすい) |
8.1.6.6 女性・高齢者等の就労環境の改善 |
8.1.6.6.1 AIを効率的に使った生産性の高い仕事に転換することにより、長時間労働を前提としないフレキシブルな働き方が可能となり、女性や高齢者等の活躍の場が拡がる |
8.1.7 人工知能(AI)への対応 |
8.1.7.1 人工知能(AI)の普及に向けた今後の対応・準備 |
8.1.7.1.1 日本では、「対応・準備については、特に何も行わない」とする者が多くみられる。他方、米国では、「人工知能(AI)の知識・スキルを習得するなど、人工知能(AI)を使う側に立って、今の仕事・業務を続けようと対応・準備する」とする者が多くみられる。 |
8.1.7.2 今後、自分自身が取得したい人工知能(AI)活用スキル |
8.1.7.2.1 習得したいスキルを日米で比較した場合、日本は、いずれにおいても、米国よりも各種人工知能(AI)活用スキルの習得意欲が低い。 |
8.1.7.2.2 列挙する |
8.1.8 学習環境や支援制度に対するニーズ |
8.1.8.1 AI(人工知能)活用スキルを取得するための学習環境や支援制度について、日米双方で、「大学等高等教育機関における教育・研究の充実」が必要とする者が多くみられる。加えて、米国では、「企業における自己啓発に関する支援制度」を必要とする者も多い。 |
8.1.9 総括 |
8.1.9.1 ○ ICTの積極的な利活用により、経済成長は加速する。その中核となるのは、AIを活用したIoTであり、データ(ビッグデータ)の収集・活用がキーとなる。 |
8.1.9.2 ○これらのIoT、ビッグデータ、AIなどの新たなICTは、企業の生産性向上や新たな需要の創出などを通じて、経済成長への大きな貢献が期待できる。 |
8.1.9.3 ○しかし、企業アンケートや消費者アンケートによると、米英等と比較して、日本の企業は新たなICT投資の意向が相対的に十分でなく、また、日本の消費者はICTを活用した新たな商品・サービスの認知度等が相対的に低いことが浮き彫りになった。 |
8.1.9.4 ○さらに、日本の就労者は、今後職場に浸透するであろうAIに対して、米国よりも、対応・準備の遅れが目立つ結果となった。 |
8.1.9.5 ○来るIoT時代に向け、経済成長の中核となるIoT活用に我が国が乗り遅れることのないよう、企業や就労者がそれぞれ人材育成等の課題にしっかり対応することが重要である。 |
8.2 特集部詳細 |
8.2.1 【第1章第1節】 少子高齢化等我が国が抱える課題の解決とICT |
8.2.1.1 少子高齢化やそれに伴う人口減少は、我が国経済の供給面と需要面の双方にマイナスの影響を与え、我が国の中長期的な経済成長を阻害する可能性がある。 |
8.2.1.2 様々なデータを収集し(IoT)、蓄積し(ビッグデータ)、人工知能(AI)にて処理・分析することで、現状把握、予測、機器・サービスの制御を行い、新たな価値の創造や課題解決に貢献することが期待される。 |
8.2.2 【第1章第2節】 ICTによる経済貢献経路 |
8.2.2.1 |
8.2.3 【第4章第1節】 ICTの進化と雇用、働き方 |
8.2.3.1 我が国就労者は、テレワークやシェアリングエコノミー型ワーク、デジタルファブリケーションなどの新しい働き方で実現が見込まれる多様な働き方に対して、米国就労者に比べて魅力を感じる人が少ない傾向がある。 |
8.2.3.2 |
8.2.4 【第4章第2節】 人工知能(AI)の現状と未来 |
8.2.4.1 |
8.2.4.2 人工知能のイメージ |
8.2.4.2.1 コンピューターに自我(感情)をもたせる技術 |
8.2.4.2.2 コンピューターが人間のように見たり、聞いたり、話したりする技術 |
8.2.4.2.3 人間の脳の仕組みと同じ仕組みを実現する技術 |
8.2.4.2.4 人間の脳の認知・判断などの機能を、人間の脳の仕組みとは異なる仕組みで実現する技術 |
8.2.4.2.5 ゲームやクイズなどの特定の分野において、人間と同等もしくは人間以上の能力を実現する技術 |
8.2.4.2.6 画像や自然言語(話し言葉や書き言葉)、様々なデータなどを分析して、その意味合いを抽出する技術 |
8.2.4.2.7 学習や推論、判断などにより、新たな知識を得る技術 |
8.2.4.2.8 人間を超える知能を実現する技術 |
8.2.4.3 人工知能(AI)の利活用が望ましい分野 |
8.2.4.3.1 生体情報や生活習慣、病歴、遺伝等と連動した、健康状態や病気発症の予兆の高度な診断 |
8.2.4.3.2 路線バスやタクシー等の高度な自動運転 |
8.2.4.3.3 渋滞情報や患者受入可能な診療科情報等と連動した、緊急車両の最適搬送ルートの高度な設定 |
8.2.4.3.4 道路や鉄道などの混雑状況等と連動した、交通手段間での高度な利用者融通や増発対応 |
8.2.4.3.5 監視カメラ映像や不審者目撃情報等と連動した、犯罪発生の予兆の高度な分析 |
8.2.4.3.6 高度かつリアルタイムの需要予測や製造管理等によるサプライチェーンの最適化 |
8.2.4.3.7 未知のサイバー攻撃や内部犯行等による不正アクセスや、不正送金などの金融犯罪の高度な検知 |
8.2.4.3.8 高度な意味理解や感情認識等によるコンピュータと人間の対話の高度化 |
8.2.4.3.9 利用者の嗜好やメールの履歴、発信元等と連動した、迷惑メールの高度かつ自動的な削除 |
8.2.4.3.10 市場の値動き等と連動した、金融資産の高度かつ自動的な運用による利回りの最大化 |
8.2.4.3.11 信用供与先の財務状況等と連動した、最適な融資額の算定による貸倒れ損失の回避 |
8.2.4.3.12 優良顧客の優遇や感動体験の付与、需給に見合う価格設定等による、顧客の囲い込みや満足度向上 |
8.2.4.3.13 その他 |
8.2.5 【第4章第3節】人工知能(AI)の進化が雇用等に与える影響① |
8.2.5.1 |
8.2.5.2 日米就労者の職場への人工知能(AI)の導入は、現時点ではあまり進んでいない。 |
8.2.5.3 自分の職場への人工知能(AI)の導入や、仕事のパートナーとしての人工知能(AI)に対する抵抗感は、米国就労者に比べて我が国就労者の方が全体的に小さい傾向がある。 |
8.2.5.4 人工知能(AI)が果たす役割・機能 |
8.2.5.4.1 不足している労働力を補完する |
8.2.5.4.2 既存の労働力を省力化する |
8.2.5.4.3 既存の業務効率・生産性を高める |
8.2.5.4.4 既存の業務の提供する価値(品質や顧客満足度など)を高める |
8.2.5.4.5 これまでに存在しなかった新しい価値をもった業務を創出する |
8.2.5.4.6 既存の業務に取組む意欲や満足度を高める |
8.2.5.4.7 新しい業務に取組む意欲や満足度を高める |
8.2.5.4.8 その他 |
8.2.6 【第4章第3節】 人工知能(AI)の進化が雇用等に与える影響② |
8.2.6.1 人工知能(AI)の導入により、「AIを導入・普及させるために必要な仕事」と「AIを活用した新しい仕事」の2種類の仕事によりタスク量の増加が見込まれる。 |
8.2.6.2 我が国有識者は、人工知能(AI)導入・普及により、労働力供給の減少を補完できると考えている人が多い。 |
8.2.7 【第4章第4節】 必要とされるスキルの変化と求められる教育・人材育成のあり方 |
8.2.7.1 |
8.2.7.2 人工知能(AI)普及に向けた今後と対応・準備について、我が国就労者は特に何も行わないが過半数を超える。 |
8.2.7.3 人工知能(AI)普及において政府に期待される役割として、日米ともに就労者については「政策は中立であるべき」という回答が多数派を占めるが、国内の有識者については「実用化および導入を促進する政策をとるべき」との回答が多数派を占める。 |
9 人間の仕事を奪う「AI」の過去・現在・未来 | 蘊蓄の箪笥 100章 | 経済ニュースの新基準【2017年04月15日東洋経済オンライン】 |
9.1 人工知能の全貌を蘊蓄100章で読み解く |
9.1.1 参考文献・HP/『人工知能は人間を超えるか』(KADOKAWA)、『最新 人工知能がよ~くわかる本』(秀和システム)、『トコトンやさしい人工知能の本(』日刊工業新聞社)、〈NHK〉、〈MUFG〉他関連サイト |
9.2 AIの過去の歩み |
9.2.1 01. AI=人工知能とは、コンピュータを用いて人間の脳が持つ知能を実現させようとする技術 |
9.2.2 02. 「人工知能」の定義ははっきりとは定まっていない |
9.2.3 03. 「人工知能」の概念を初めて提唱したのはアラン・チューリング。人工知能の父とも呼ばれる |
9.2.4 04. AIは「Artificial Intelligence」の略 |
9.2.5 05. 「人工知能」という言葉が初めて使われたのは1956年夏、米国のダートマス大学で開催されたワークショップ |
9.2.6 06. 名付けたのは計算機科学者ジョン・マッカーシー |
9.2.7 07. このワークショップにはジョン・マッカーシーはじめ、後に人工知能分野の伝説的存在となるマービン・ミンスキー、アレン・ニューウェル、ハーバート・サイモンらも参加 |
9.2.8 08. ニューウェルとサイモンは世界初の人工知能プログラム「ロジックセオリスト」のデモンストレーションを披露 |
9.2.9 09. これを機に1960年代にかけて第1次AIブームとなる |
9.2.10 10. 1969年には、当時の人工知能は情報処理能力に限界があるというフレーム問題が指摘され、ブームは収束する |
9.2.11 11. 第2次AIブームは1980年代。専門家の知識を取り込み解釈する「エキスパートシステム」が台頭 |
9.2.12 12. このブームも、人工知能が知識を増やしても文字列での理解にとどまりシンボルに意味を結び付けられない「シンボルグラウンディング問題」などの壁にあたり収束 |
9.3 そして、今の第3次AIブームに |
9.3.1 13. 2000年以降、ビッグデータを用いた「機械学習」に注目が集まり、今の第3次AIブームにつながっている |
9.3.2 14. 脳内の情報処理の仕組みを模したものがニューラルネットワーク(神経回路)で、これを多層化したものがディープラーニング(深層学習)である |
9.3.3 15. 現在、コンピュータの高性能化とディープラーニングの進歩によりAIは急速に発達している |
9.3.4 16. ディープラーニングは従来のソフトウェア技術が苦手だった画像、動画、音声などの処理を得意とするAI技術 |
9.3.5 17. 「人工知能」は「特化型人工知能」と「汎用人工知能」のふたつに分類される |
9.3.6 18. 特化型人工知能は、汎用性はないが一定の分野に特化して高い能力を示す |
9.3.7 19. 自動運転、画像認識、チェスの対戦やIBMの「ワトソン」、アップルの「Siri」なども特化型人工知能の一例 |
9.3.8 20. 現在、人工知能研究者の95%以上が特化型人工知能の分野で研究をしているといわれる |
9.3.9 21. つまり現在実用されている人工知能のほとんどがこの特化型人工知能にあてはまる |
9.3.10 22. 現在の人工知能の限界を超えて、人間のような知性を実現しようと試みるのが汎用人工知能の研究開発 |
9.3.11 23. 汎用人工知能はAGI(Artificial General Intelligence)とも呼ばれる |
9.3.12 24. 汎用人工知能は、新しい情報をインプットすれば応用して実行することができる自律的人工知能を意味する |
9.3.13 25. AIは「強いAI」と「弱いAI」とに分けられることもある |
9.3.14 26. その場合の分類は「人間のような意識をAIで再現できるか」がひとつの大きな基準となる。人間のように物事を認識して働き、自意識を備えているAIが、強いAI |
9.3.15 27. 弱いAIは人間の知能の一部を代替するが機械的で人の自意識を含めた全認知能力を要する事柄は行えない |
9.3.16 28. 「強いAI」「弱いAI」は米国の哲学者ジョン・サールが作った用語 |
9.3.17 29. 「人工知能」に対してchatterbot(会話ボット)といったコンピュータプログラムは「人工無脳」と呼ばれる |
9.3.18 30. その元祖といわれるのが1966年にジョセフ・ワイゼンバウムが開発した言語処理プログラム「ELIZA」 |
9.3.19 31. ELIZAの名は『マイ・フェア・レディ』のイライザ・ドゥーリトルに由来する |
9.4 学習していくAI |
9.4.1 32. アップルの音声アシスタント機能Siriに「話をして」と言うとELIZAとの昔話を語り出す |
9.4.2 33. SiriはSpeech Interpretation and Recognition Interface(発話解析・認識インターフェース)の略 |
9.4.3 34. 2012年、Googleの研究所でコンピュータ自身が猫を認識することを学習したというニュースが話題となった |
9.4.4 35. 東京大学合格を目指しセンター試験の模試を受けてきた人工知能「東ロボくん」。2016年に東大合格を断念した |
9.4.5 36. 東ロボくんはセンター試験模試で総合偏差値57.1をマーク。MARCHや複数の国公立大学の合格ラインに達した |
9.4.6 37. 東ロボくんの弱点は国語や英語の文脈理解や常識的な選択。現状では克服できないとして受験計画は凍結された |
9.4.7 38. ソフトバンクが開発した「Pepper」は感情認識機能を持った人型ロボット |
9.4.8 39. Pepperは法人契約で月額5万5000円でレンタルできる |
9.4.9 40. LINE公式アカウントで人気の女子高生「りんな」は、対話が楽しめるマイクロソフトのAI |
9.4.10 41. 「おしえて! goo」には、恋愛の悩み相談にAIによる長文回答生成技術で応じる「オシエル」が登場 |
9.4.11 42. マイクロソフトが試験運用した学習型AI「Tay」は人種差別を覚えたとして運用を停止 |
9.4.12 43. ショートショートおよび短編小説の公募文学賞、日経「星新一賞」は「人工知能など人間以外の応募も可能」 |
9.4.13 44. 2016年にはAI 「きまぐれ人工知能プロジェクト作家ですのよ」による作品が「星新一賞」の一次審査を通過した |
9.4.14 45. チェス世界チャンピオンのガルリ・ガスパロフにIBMのコンピュータ「Deep Blue」が勝利したのは1997年 |
9.4.15 46. 2012年、コンピュータ将棋のプログラム「ボンクラーズ」に永世棋聖の米長邦雄が敗れる |
9.4.16 47. 以後、プロ棋士とコンピュータの戦い「将棋電王戦」が毎年行われ、6回中プロ棋士側が勝利したのは1回 |
9.4.17 48. 2011年にはIBM開発のAI「ワトソン」が米国の有名クイズ番組で優勝、賞金100万ドルを獲得した |
9.4.18 49. ワトソンを利用した料理アプリ「シェフワトソン」では膨大なデータを生かしてレシピを提案してくれる |
9.4.19 50. シェフワトソンは「ブドウのチャツネ」や「キュウリのレモネード」などユニークなレシピを考案する |
9.4.20 51. AIワトソンはみずほ銀行や三井住友銀行などのコールセンター業務に導入されている |
9.5 株取引に人間の感情は邪魔!? |
9.5.1 52. 米国では100%人工知能に任せるヘッジファンドが登場。創業者は株取引に人間の感情は邪魔と確信している |
9.5.2 53. 世界最大級の投資銀行ゴールドマン・サックスでも株取引の自動化が進み600人いたトレーダーは今やふたりに |
9.5.3 54. 大阪市は2017年秋から試験的にAIを活用した職員の業務支援を、主に戸籍関連事務を対象に開始すると発表 |
9.5.4 55. 自動車の自動運転技術において、トヨタは人工知能に衝突データを学習させ、自ら学習することでぶつからないように運転を改善していく人工知能の開発に成功 |
9.5.5 56. 車の完全自動走行は国家戦略特区プロジェクトとして実験が始まっている |
9.5.6 57. 医療分野では、画像診断によるがん診断が人工知能によって行われ始めている |
9.5.7 58. シンガポールでは、人工知能が交通状況を監視し信号の時間をコントロールすることで渋滞を回避している |
9.5.8 59. シンガポールのある銀行では、職員の不正を監視するために人工知能を利用。顧客とのチャット内容から、不正可能性を導きだし、職員の不正防止につなげている |
9.5.9 60. お掃除ロボット「ルンバ」に搭載されている人工知能は、もとは地雷探知ロボット用に開発されたもの |
9.5.10 61. ローソンは精算と袋詰めを自動化する「レジロボ」の導入を検討。大阪の実験店舗で実証実験を開始した |
9.5.11 62. レジロボはパナソニックが開発。経産省「平成28年度ロボット導入実証事業」に採択されている |
9.5.12 63. 「AI」は2016年の新語・流行語大賞にノミネートされた |
9.5.13 64. 人工知能のIQをあえて表すと4000超のレベルになる |
9.5.14 65. 鉄腕アトム(原作版)は善悪の見分けがつく電子頭脳、60カ国語を話せる人工声帯など7つの能力をもつ |
9.6 映画で描かれる数々のAI |
9.6.1 66. 『2001年宇宙の旅』のHAL9000は1960年代の映画製作当時の研究者が2001年には実現するとみていたAI |
9.6.2 67. HALはIBMを1文字ずつ前にずらして命名されたという説があるが作者らによって否定されている |
9.6.3 68. 『ターミネーター』は人工知能スカイネットが反乱、機械軍により人間が絶滅の危機を迎えた未来が舞台 |
9.6.4 69. 映画『マトリックス』は人工知能が地上を支配し人間を電池として管理、エネルギーを得る世界が描かれている |
9.6.5 70. 映画『オートマタ』もAIが人間の知性を超えるシンギュラリティ(技術的特異点)を描くSFサスペンス作品 |
9.6.6 71. 2014年の映画『トランセンデンス』はジョニー・デップ扮する科学者の意識がアップロードされた人工知能が人類の脅威となり、混乱に陥る世界を描いたSFサスペンス |
9.6.7 72. 2013年の映画『her/世界でひとつの彼女』は人工知能OSの声に恋をする男の姿を描いたSFラブストーリー |
9.6.8 73. 美しいロボット「エヴァ」が登場する『エクス・マキナ』は2016年アカデミー賞視覚効果賞を受賞 |
9.6.9 74. 『イミテーションゲーム/エニグマと天才数学者の秘密』は人工知能の父アラン・チューリングの生涯を描いた映画 |
9.6.10 75. ある機械が知的(人工知能)といえるかどうかを判定する方法として「チューリングテスト」がある |
9.6.11 76. 2014年ウクライナの13歳の少年という設定のAI「Eugene」が史上初めてチューリングテストをパスした |
9.6.12 77. 2014年、Googleが4億ドルで買収した人工知能の開発を行うベンチャー企業が「DeepMind」 |
9.6.13 78. 2016年3月には「AlphaGo(アルファ碁)」というAIシステムが囲碁の世界チャンピオンに4勝1敗で勝利 |
9.6.14 79. AlphaGoはDeepMindが開発しているゲーム用汎用AI「DQN」を基盤として囲碁トレーニングを行ったもの |
9.6.15 80. DQNは機械学習と神経科学の汎用学習アルゴリズム |
9.6.16 81. DQNに49種類のAtari 2600用ゲームをプレイさせるテストの結果、43のゲームで既存のAIよりも高いスコア、29タイトルでプロゲーマーよりも高いスコアを記録 |
9.6.17 82. DeepMindの創立者デミス・ハサビスはそのプロジェクトを人工汎用知能(AGI)を理解するためのものと説明 |
9.6.18 83. 世界最大のSNSフェイスブックは2013年、ニューヨーク、ロンドンなど3カ所に人工知能研究所を設立 |
9.6.19 84. シンギュラリティ(技術的特異点)とはAIが人間の知能を超え、自身より賢いAIを生み出すサイクルに入って爆発的に進化を遂げ始める瞬間 |
9.6.20 85. AIの世界的権威レイ・カーツワイルは著書でシンギュラリティが2045年頃現実に起こるだろうと主張している |
9.6.21 86. 米国の数学者でシンギュラリティの概念を広めた作家のバーナー・ビンジはさらに早く2030年頃起こると予想 |
9.6.22 87. 2015年野村総研が「日本の労働人口の49%が人工知能やロボット等で代替可能になる」とのレポートを発表 |
9.6.23 88. 同時に、「人工知能やロボット等による代替可能性が高い100種の職業、可能性が低い100種の職業」を発表 |
9.6.24 89. AIで代替可能とされるのは「特別な知識やスキルを必要としない職業」や「データ分析で体系化可能な職業」 |
9.7 人工知能は核兵器よりも潜在的な危険をはらむ? |
9.7.1 90. AIの代替可能性が低いのは「芸術、哲学など抽象的な概念を整理・創出する知識が要求される職業」「他者との協調やネゴシエーション、サービス志向性が求められる職業」 |
9.7.2 91. オックスフォード大学の論文で提示された「10~20年後になくなる職業トップ25」のトップは電話販売員 |
9.7.3 92. 「なくなる職業」2位には不動産登記の審査・調査、3位には手縫いの仕立て屋がリストアップされた |
9.7.4 93. 「10~20年後まで残る職業」のトップはレクリエーション療法士。2 位は整備・設置・修理の第一線監督者 |
9.7.5 94. 三菱総研の試算ではAIなどの普及により2030年には国内で雇用される人の数が240万人減るとされる |
9.7.6 95. 英国のオックスフォード大学人類未来研究所は、人類滅亡リスクの要因のひとつに人工知能の暴走をあげた |
9.7.7 96. テスラやスペースXの創業者イーロン・マスクも「人工知能は核兵器よりも潜在的な危険をはらむ」とツイート |
9.7.8 97. ホーキング博士は「人工知能の進化は人類の終焉を意味する」と警告している |
9.7.9 98. 世界中で発表されるAI分野の論文数は1日4100報、年間では150万報まで急増しているとも概算される |
9.7.10 99. 2050年までに生命科学系のノーベル賞をAIで受賞するというグランドチャレンジを提案、実行する組織も登場 |
9.7.11 100. 安倍政権が「第4次産業革命」で掲げる目標でAIは2020年までに約30~40兆円の市場を生み出すとされる |
10 IT人材白書2017【2017年4月25日IPA】 |
10.1 デジタル大変革時代、本番へ |
10.1.1 時代環境が大きく変わる時、それにそぐわないビジネスは淘汰されていく |
10.1.2 デジタル変革とも呼ぶべき第4次産業革命の入り口にいる |
10.1.3 デジタル時代にふさわしい新たなビジネスを生み出して行く必要がある |
10.1.3.1 旧来の仕組みの高度化、洗練は否定されるべきではないが |
10.1.4 “デジタルトランスフォーメーション”が重要 |
10.1.4.1 仕事の進め方や社会のあり方をゼロベースで刷新し、時代に適合するように自らを変える |
10.1.5 それに歩みを進めるかどうか、つまり企業の方向性を決めるのは、言うまでもなく経営者 |
10.1.5.1 経営者の役割: 時代の潮流を捉え、自社が変化の中で発展できる道を探り、ビジョンをはっきりと示す |
10.1.6 同時に従来から続く組織構造の破壊や再構築も必要 |
10.1.6.1 求められるのは、周囲を巻き込みながら改革を進める能力やビジネスとデジタルを結び付けて全体をデザインする能力を持った新しい時代のリーダー |
10.1.6.2 ITエンジニアがリーダーへと成長するには挑戦する意欲を持つ |
10.1.6.3 さまざまな経験を積み、多様な人と関わる環境が必要 |
10.1.7 企業が行わなければならないのは、誰もが挑戦できる環境、開かれた場を作ること |
10.1.8 個々のIT人材は、自らも“デジタルトランスフォーメーション”の流れの中にあることを意識 |
10.1.8.1 その中で活躍できる人材となれるように、自らの能力を高めていくことが重要である |
10.1.8.2 そのためには情報への感度を高め、自ら挑戦する場を求める姿勢が重要になる。普段の仕事に専念しているだけでは不十分と考えなければならない。 |
10.2 企業に向けたメッセージ |
10.2.1 IT企業 |
10.2.1.1 デジタル変革が進む中では、IT企業は“デジタルトランスフォーメーション”に資する技術力や提案力を磨き、ユーザー企業のパートナーとして新たな事業価値を生み出していく役割を担う必要がある。 |
10.2.1.2 そのためにはユーザー企業やベンチャー企業などとの「協働」関係を築くことも欠かせない。 |
10.2.2 ユーザー企業(IT部門) |
10.2.2.1 “デジタルトランスフォーメーション”を推進するのか、それとも現状維持を選択するのか。 |
10.2.2.1.1 第4次産業革命が進むにつれて、発展するビジネスと縮小するビジネスが明確になっていく。 |
10.2.2.2 CIOやIT部門は、そのことを認識し、変化を主導する側に立つ必要がある。 |
10.2.2.2.1 そのために一刻も早く現状把握を行い、ビジョンを明確にし、戦略を遂行しなければならない。 |
10.2.2.3 “デジタルトランスフォーメーション”を実現するには、ビジネスとデジタルのスキルを併せ持った人材が重要となる。 |
10.2.2.3.1 それがあって初めて、イノベーティブなデジタル技術を持つ企業や、他業種など多様な企業間での連携を進められる |
10.2.2.3.2 その視点に立って、人材の育成と獲得をしていく必要がある。 |
10.2.2.4 従来、社内でIT業務の中核を担ってきたIT部門は今、再び挑戦を迫られている。 |
10.2.2.4.1 デジタル変革に伴って生じる新たな事業や業務において重要な役割を担うことへの挑戦でもある。 |
10.3 IT人材個人に向けたメッセージ |
10.3.1 デジタル時代は、個々のIT人材にとって活躍の場を広げられるまたとないチャンスである。 |
10.3.2 所属する企業で新たな試みをすることもできるし、起業のチャンスも開けている。 |
10.3.3 クラウドコンピューティングやモバイルの進展で、個人や少数のチームでできることが飛躍的に拡大している |
10.3.4 このことを認識し、目の前の業務だけにとらわれることなく、広く視野を持って進むべき道を探り、学ぼう。勉強会やコミュニティなど、学びの場は周囲にある。自己研鑽によって能力を高めれば高めただけ、社会をリードする人材になっていく。 |
10.4 1.デジタルトランスフォーメーション時代のIT人材 |
10.4.1 “デジタルトランスフォーメーション”とは何か |
10.4.1.1 ITの進展やインフラの整備によって、ビジネスや社会のあり方が変わり始めている。 |
10.4.1.1.1 あらゆるものがインターネットに接続するIoTの拡がりや、ビッグデータ活用、人工知能(AI)の様々な分野への適応が始まっている。 |
10.4.1.1.2 デジタル化を進めるということは、様々な要素(アナログデータも含む)をデジタル化、数値化して扱うことを意味する。 |
10.4.1.1.3 共通に扱えるデータへと変換することによって、処理や分析が可能になり、フィードバックまで含めた一連の流れを作ることが可能になる。 |
10.4.1.1.4 デジタル化の本質は、以上のようなデータ駆動型へのビジネスや社会の変革にある。 |
10.4.1.1.5 既存のビジネスや業務に新技術を取り入れるだけでなく、ビジネスモデルを変え、経済活動のみならず、個人の生活や社会構造にまで影響が及ぶ。 |
10.4.1.2 その変化は、“デジタルトランスフォーメーション”や“デジタル革命”と呼ばれている。 |
10.4.1.3 |
10.4.1.4 デジタル化によって起こる変化の一例として、紙の書籍から電子書籍へのデジタル化を図式化したものである。 |
10.4.2 すでに始まっている“デジタルトランスフォーメーション” |
10.4.2.1 「IoTやビッグデータ、AIなど技術の進展等によって、社会や産業、企業、人のあり方や働き方が大きく変化すると言われている。この変化に対してどのように捉えているか」 |
10.4.2.2 ネットサービス実施企業は |
10.4.2.2.1 、「すでに変化の中にいる」が約40%である。インターネットを活用し、データを扱うビジネスを実施しているという性質上、変化に対して敏感だと言える。 |
10.4.2.3 事業会社であるユーザー企業では |
10.4.2.3.1 「変化は今後起こるが、至近に迫っていない」という回答の割合が最も高い。 |
10.4.2.3.2 「大きな変化が起きるとは思わない」や「わからない」も他の企業区分に比較して高い割合を占めている。 |
10.4.2.4 一方、IT企業では、 |
10.4.2.4.1 「すでに変化の中にいる」、「変化は至近に迫っている」、「変化は今後起こるが、至近に迫っていない」、「この変化が特別なわけではなく、常に変化は起きている」の回答割合がほぼ同率だった。 |
10.4.2.5 |
10.4.3 外部ITサービス利用状況、現在の事業【変化に対する認識別】 |
10.4.3.1 |
10.4.3.2 |
10.4.4 “デジタルトランスフォーメーション”が進む企業では、経営者による主導の重要性を認識 |
10.4.4.1 デジタルトランスフォーメーションには、大きな変化が伴うため、業務の部分的なデジタル対応やIT導入による効率化のみでは対応できない。 |
10.4.4.2 “変化”には誰が主導して対応していくべきか尋ねた。 |
10.4.4.2.1 「すでに変化の中にいる」企業では、他の認識の企業に比べて「経営者」が主導していくべきだという回答の割合が高い。 |
10.4.4.3 |
10.4.5 “デジタルトランスフォーメーション”の鍵を握るリーダー的人材 |
10.4.5.1 全体方針を示す経営者に加え、具体的な推進を行う人材も存在している。 |
10.4.5.2 デジタル化の具体的な施策の決定や新事業の立ち上げなどを主導する、リーダー的な役割を担う人材が大きな役割を果たしている。 |
10.4.5.3 この人材は、例えばCIOや、デジタル推進部門、デジタル技術を用いた新事業部門、IT系部門などに存在し、それぞれのデジタル化を推進している。 |
10.4.5.4 |
10.4.6 方針やビジョンの明確化」、「専門組織・部署の設置」、「Fail fastなどの風土改革」を重要視 |
10.4.6.1 デジタル化を「主導すべき」人が実施すべき施策 |
10.4.6.1.1 「新たな市場創出のための方針やビジョンの明確化」 |
10.4.6.1.2 「新たな市場創出のための専門組織・部署の設置」 |
10.4.6.1.3 「新たなチャレンジを評価するFail fastなどの風土改革」 |
10.4.6.2 |
10.4.7 経営者とリーダーが周囲を巻き込み、改革を進める |
10.4.7.1 リーダー的存在が企業内の複数個所に存在する場合もあるが、経営者と現場に近いリーダーとがともに改革を進めていく大きな流れは変わらない。 |
10.4.7.2 |
10.4.8 デジタル化の推進をリードする人材に必要な能力と環境 |
10.4.8.1 ・デジタル化を推進するリーダーに求められるのは、“他人を巻き込む力”、“ビジネスとデジタルの知見” |
10.4.8.2 ・デジタル化を推進するリーダーが育ってきた背景は、“多様な経験と新しいものへの挑戦”、“ネットワーク、外部とのつながり” |
10.4.8.3 ・デジタル化を推進するリーダーの育成に重要となる環境の整備 |
10.4.8.4 |
10.4.9 デジタル化に携わる人材 |
10.4.9.1 必要な能力 |
10.4.9.1.1 もともと製品の社内開発・運用を行ってきた企業の場合、 |
10.4.9.1.1.1 社内に既存の技術力はあり、加えて具体的な技術(データ解析やAI、クラウド等)が求められている。 |
10.4.9.1.1.2 また、具体的な要素技術だけでなく、システムの構造設計を行い開発する能力(システムアーキテクト)の重要についても挙げられていた。 |
10.4.9.1.2 一方、これまでITが深くかかわっていなかった事業がデジタル化した場合、 |
10.4.9.1.2.1 今までIT部門が行っていた外部企業への開発委託を事業部門が直接行うことになり、ITを事業に適用する能力や、機能設計や要件定義を行う能力が求められる。 |
10.4.9.2 人材の獲得方法と育成 |
10.4.9.2.1 事業のデジタル化に必要なIT能力を、既存の人材でまかなうのは難しいとの意見があった。 |
10.4.9.2.2 デジタル化した事業を行っている企業では、ネット系の企業等でデジタルビジネスの経験がある者を中途採用し、事業の推進を行っている例が見られる。 |
10.4.9.2.3 また、新しい技術(データ活用やAI、IoTなど)を持った人材に関しては、中途採用の難しさを挙げる企業が多く、新卒採用した人材を育成して人材確保する傾向が見られ、新卒を採用する際に理数系人材を重視する企業もいくつかあった。 |
10.4.9.2.4 育成のスピードアップと高い技術力を持った人材の輩出につなげたい考えである。 |
10.4.9.2.5 ただし、内部人材育成の難しさを挙げる企業もあり、必要な技術を持った人材を中途採用できる場合は行い、できない場合はアウトソーシングや、外部との連携を行うことで技術を補完する場合もあった。 |
10.5 2.日本と米国の情報処理・通信に携わる人材 |
10.5.1 日米、欧州等の情報処理・通信に携わる人材の所属企業 |
10.5.1.1 日本はIT企業に所属する情報処理・通信に携わる人材の割合が72%と突出して高くなっている。 |
10.5.1.2 一方、日本以外の国は、IT企業以外の割合が5割を超えており、米国はIT企業以外に所属する情報処理・通信に携わる人材の割合が65.4%と最も高くなっている。 |
10.5.1.3 |
10.5.2 日米の情報処理・通信に携わる人材の業種別人材の割合 |
10.5.2.1 米国では、「IT企業」に次いで「サービス」の割合が30.2%と高くなっている。 |
10.5.2.2 「金融」については日本の2%に対し米国では8.4%、「公務」については日本の0.5%に対し米国が6%と、日本より幅広い業種に情報処理・通信に携わる人材が所属していることがわかる。 |
10.5.2.3 |
10.5.3 米国における情報セキュリティ技術者に必要なスキルや経験 |
10.5.3.1 「コンピュータ科学または関連科目の準学士号」の割合が68.8%と最も高く、「コンピュータ科学、サイバーセキュリティ、情報セキュリティまたは関連科目の学士号」(60.4%)、「情報システムに関する修士号(MS(Master of Science))」(57.2%)と続き、学歴を重視する傾向が見られる。 |
10.5.3.2 「資格(例えばCISSP)」が55.4%と、資格への関心も高い。 |
10.5.3.3 |
10.5.4 米国の組織のCISOに必要なスキルや経験 |
10.5.4.1 「リーダーとしての経験」の割合が92.1%と最も高く、「IT部門での業務経験」(72.8%)、「一般的な経営学修士号(または同等の修士号)」(71.3%)と続いている。 |
10.5.4.2 情報セキュリティ技術者にとって必要なスキルや経験の調査結果とは違い、経験を重視する傾向が見られる。 |
10.5.4.3 |
10.5.5 米国の組織におけるサイバーセキュリティ:トレーニングプログラム開発のための大学との連携・協業状況 |
10.5.5.1 約5割もの組織がサイバーセキュリティトレーニングプログラムの開発のために大学と連携・協業していることがわかる。 |
10.5.5.2 |
10.6 3.IT人材不足の動き |
10.6.1 IT人材の“量”に対する過不足感【過去10年の変化】 |
10.6.1.1 IT企業では、リーマンショック以来高まり続けていたIT人材の“量”に対する不足感の高まりがやや緩和した。 |
10.6.1.2 「大幅に不足している」と答えた割合が、2015年度調査の24.2%から、今年度では20.3%と減少している。 |
10.6.1.3 また、「特に過不足はない」は2015年度調査の8.1%から、今年度では11.9%と増加している。 |
10.6.1.4 |
10.6.2 人材不足改善の取り組みのうち効果があったもの |
10.6.2.1 「社内人材の育成強化」が最も多く、66%に上っている。 |
10.6.2.2 |
10.6.3 IT人材の「職種別の人材数」と「人材のレベル」の把握状況【経年】 |
10.6.3.1 計画的な人材育成には人材把握が必要となるが、今年度調査では、「職種別の人材数、人材のレベル両方を把握している」割合が大きく増加していた。 |
10.6.3.2 |
10.6.4 IT人材の“量”に対する過不足感【過去9年の変化】 |
10.6.4.1 2010年ごろに不足感が減少した以降、2014年度調査までは不足感に大きな変化のなかったユーザー企業だが、2015年度調査の結果ではIT人材の“量”について、「大幅に不足している」「やや不足している」と回答した割合が増加した。 |
10.6.4.2 今年度も引き続き不足感が増す傾向にある。 |
10.6.4.3 |
10.7 4.IT人材動向(IT人材の意識の比較【2016年度と2011年度】) |
10.7.1 仕事や職場の環境に対する満足度(30代-40代)【2016年度と2011年度】 |
10.7.1.1 2016年度、2011年度共に「仕事内容(希望に合った仕事かどうか)」、「休暇の取りやすさ」、「プライベートとの両立」「職場の雰囲気」に対する満足度は高い。 |
10.7.1.2 全項目に対して微増微少はあるが、変化は読み取れない。 |
10.7.1.3 |
10.7.2 仕事内容に対する考え方(30代-40代)【2016年度と2011年度】 |
10.7.2.1 「この仕事をしていることに誇りを持っている」では、「よく当てはまる、どちらかと言えば当てはまる」では2011年度の51.3%から2016年度の66.3%と増加した。 |
10.7.2.2 一方、「新しい部署や企画を立ち上げる仕事をしたい」では「よく当てはまる、どちらかと言えは当てはまる」の合計が、2011年度の67.7%から2016年度の35.4%、「関係者を説得し、社内改革する仕事をしたい」も同様に2011年度53%から2016年度の40.2%と割合が低下している。 |
10.7.2.3 |
10.7.3 キャリアやスキルアップに対する考え方(30代-40代)2016年度と2011年度】 |
10.7.3.1 2016年度、2011年度共に「技術の変化に合わせて自分もスキルアップしなければならないと思う」について「よく当てはまる、どちらかと言えは当てはまる」と回答した割合は8割台半ばであり、「新しい技術やスキルを学ぶのは楽しい」の割合も共に7割強である。 |
10.7.3.2 一方、「将来のキャリアパスが明確である」で「よく当てはまる、どちらかと言えは当てはまる」と回答した割合は2011年度と2016年度共に約3割であり傾向に変化はない。 |
10.7.3.3 |
10.7.4 仕事と職場環境に対する満足度(30代-40代)【2016年度と2011年度】 |
10.7.4.1 全項目において「満足している」の割合が増加している。 |
10.7.4.2 |
10.7.5 仕事内容に対する考え方(30代-40代)【2016年度と2011年度】 |
10.7.5.1 「この仕事をしていることに誇りを持っている」では「当てはまる、どちらかと言えは当てはまる」を合計した割合が2011年度の57.7%から2016年度の67.3%と増加している。 |
10.7.5.2 一方、「新しい部署や企画を立ち上げる仕事をしたい」では「当てはまる、どちらかと言えは当てはまる」の合計は、2011年度の76.5%から2016年度の52.7%へと23.8ポイント低下した。 |
10.7.5.3 また、「新しい顧客を開拓・獲得する仕事をしたい」の割合も2011年度の59.8%から2016年度の47%へと低下している。 |
10.7.5.4 |
10.7.6 キャリアやスキルアップに対する考え方(30代-40代)2016年度と2011年度】 |
10.7.6.1 「将来のキャリアパスが明確である」では「当てはまる、どちらかと言えは当てはまる」を合計した割合が2011年度の31.5%から2016年度の45.9と増加し、「将来のキャリア目標を持っている」、「自分のキャリア目標は実現可能である」のいずれにおいても割合が増加している。 |
10.7.6.2 しかしその一方で、「自分の将来のキャリアに対して強い不安を感じている」に対する「よく当てはまる」の割合はやや増加しており、キャリアは明確なったものの、不安感は弱まってはいないように見受けられる。 |
10.7.6.3 |
11 第四次産業革命を視野に入れた知財システムの在り方について【2017年4月19日METI】 |
11.1 http://www.meti.go.jp/press/2017/04/20170419002/20170419002.html |
11.2 (検討会報告書概要) |
11.2.1 1.(1)第四次産業革命と知財システムを取り巻く環境 |
11.2.1.1 これまで |
11.2.1.1.1 「モノ」に関する技術が競争力の源泉 |
11.2.1.1.2 多数存在する同業他社間での競争を通じて自前技術を確立し国際競争力を確保 |
11.2.1.1.3 「知財」として独占することと市場を広げる「標準」化を組み合わせたオープン&クローズ戦略を推進 |
11.2.1.2 現在 |
11.2.1.2.1 IoT、AI及びビックデータに代表される技術革新が進展 |
11.2.1.2.2 「データ」及びその「分析技術」、それらを活かした「ビジネスモデル」が新たな競争力の源泉に |
11.2.1.2.3 様々なつながりにより新たな付加価値が創出される産業社会“Connected Industries” が到来 |
11.2.1.2.4 オープン・イノベーションを通じて利益の獲得やビジネスを拡大することが求められている |
11.2.1.3 これから |
11.2.1.3.1 オープン&クローズ戦略の対象の拡大・深化が必要 |
11.2.1.3.2 「知財」及び「標準」に「データ」を加えた三次元的な複合戦略が必要 |
11.2.1.4 |
11.2.2 1.(2)第四次産業革命と知財システムを取り巻く環境 |
11.2.2.1 知財、データ、標準の三次元的な複合戦略及び検討対象項目 |
11.2.2.2 |
11.2.3 2.データの利活用 |
11.2.3.1 データ利活用に関しては、一定の法的基盤が整備されつつある |
11.2.3.2 一方で、データを不正な利用から保護する仕組みが十分でない |
11.2.3.3 データの利活用やアクセスに関する権限は法的な位置付けが明確でなく契約に委ねられている |
11.2.3.4 不正競争防止法等におけるデータの保護 |
11.2.3.4.1 不正競争防止法の改正を視野に入れ検討する |
11.2.3.4.1.1 (検討例) |
11.2.3.4.1.1.1 データの不正取得の禁止 |
11.2.3.4.1.1.2 データに施される暗号化技術等の保護強化 |
11.2.3.4.1.1.3 営業秘密としているデータ分析方法等に係る民事訴訟の負担軽減(政令) |
11.2.3.4.1.2 (産業構造審議会「営業秘密の保護・活用に関する小委員会」において検討中、今春を目途に方向性のとりまとめ。) |
11.2.3.4.2 情報のデジタル化を踏まえ、営業秘密管理指針・秘密情報の保護ハンドブックの記載を充実させる |
11.2.3.5 利用権限に関する契約 |
11.2.3.5.1 データの利用権限に関するガイドライン等の策定を行うための検討を行う |
11.2.3.5.1.1 (検討内容) |
11.2.3.5.1.1.1 企業間におけるデータの利活用や契約の実態に即した、保護の在り方や契約等のルールについて |
11.2.4 3.(1)産業財産権システム~「データ」・「サービス」等への対応~ |
11.2.4.1 今後のイノベーションにより、新たなデータ構造の創出が想定される |
11.2.4.2 IoTが普及する中、サービスとモノが結びついたビジネス関連発明の特許出願が増加している |
11.2.4.3 これら新たな競争力の源泉は、どのような要件を備えれば権利化できるのか、分かりづらい |
11.2.4.4 AI、3Dプリンティング、ネットワーク化等に関する技術の進展により、新たな課題も生じている |
11.2.4.5 データ構造の取扱いの明確化 |
11.2.4.5.1 特許の対象となるデータ構造の事例を公表(平成29年3月) |
11.2.4.5.2 今後とも、予見性を高める取組を継続 |
11.2.4.6 IoTを活用したビジネスモデルを支える知財 |
11.2.4.6.1 特許を着実に取得し活用するための環境を整備(平成29年度中) |
11.2.4.6.1.1 (具体例) |
11.2.4.6.1.1.1 ソフトウェア関連発明の審査基準の点検 |
11.2.4.6.1.1.2 ビジネス関連特許の活用方法の整理 |
11.2.4.6.1.1.3 新設した特許分類の活用 |
11.2.4.6.1.1.4 分野横断的な審査体制の整備 |
11.2.4.7 新技術への対応 |
11.2.4.7.1 国境をまたいだ侵害行為に対する権利保護(裁判例の蓄積等を注視しつつ、引き続き検討) |
11.2.4.7.2 将来的なAIによる発明等の産業財産権上の取扱い(現時点では、現行法で保護。今後の動向を注視) |
11.2.4.7.3 3Dプリンティング用データの産業財産権上の取扱い(現時点では、現行法で保護。今後の動向を注視) |
11.2.5 3.(2)産業財産権システム~特許紛争の解決~ |
11.2.5.1 IoTの普及に伴い、企業間の連携が増加する中、知財の管理コストが増大するおそれ |
11.2.5.2 米国では、パテント・トロール※1による濫用的な権利行使が社会問題化 |
11.2.5.3 つなげる社会インフラの一部を構成する規格については、その実施に必要な特許をめぐる紛争が多発・長期化すれば、経済・産業に悪影響が及ぶおそれ |
11.2.5.4 特に、中小・ベンチャー企業は、交渉や訴訟への対応に当たり困難に直面する可能性 |
11.2.5.5 標準必須特許に係る裁定制度の導入(標準必須特許) |
11.2.5.5.1 標準必須特許をめぐる紛争を対象とし、行政が適正なライセンス料を決定するADR※2制度(標準必須特許裁定)の導入を検討 |
11.2.5.5.2 平成30年の特許法改正を目指し、検討を進める |
11.2.5.6 紛争の早期解決に資するあっせん制度の検討(多様な紛争解決) |
11.2.5.6.1 ライセンス契約や特許権侵害紛争を対象とし、中小企業等が使いやすいADR制度(あっせん)について、検討 |
11.2.5.6.2 民間ADR(日本知的財産仲裁センター等)との関係を整理した上で、制度設計を検討 |
11.2.5.7 用語 |
11.2.5.7.1 ※1パテント・トロール:ライセンス料や高額な和解金を得ることを目的とした権利行使をビジネスとする者 |
11.2.5.7.2 ※2ADR(Alternative Dispute Resolution):調停、あっせん等の、裁判以外の方法による紛争解決手段 |
11.2.6 4.国際標準化を推進するための体制・人材育成 |
11.2.6.1 ハード分野のみならず、ソフト分野を含めた国際標準化を迅速に行うことの重要性が増加 |
11.2.6.2 標準化活動の中心は、デジュール※1からフォーラム/コンソーシアム※2へ変化 |
11.2.6.3 研究開発やビジネスの検討段階から、標準化活動を行わないと他国にスピードで追いつかない |
11.2.6.4 領域融合的な分野では、従来の特定の工業会を主体とした標準化の取組が困難化 |
11.2.6.5 標準化体制の整備不足や国際標準化を支える人材の質的・量的に不足 |
11.2.6.6 各種ツールを活用した業種横断テーマの推進(標準化推進体制) |
11.2.6.6.1 官民の標準化体制を強化 |
11.2.6.6.1.1 (具体例) |
11.2.6.6.1.2 •「新市場創造型標準化制度」※3の活用 |
11.2.6.6.1.3 •国立研究開発法人の更なる活用による業種横断プロジェクト組成の検討 |
11.2.6.6.1.4 (ドイツ等と連携したスマートマニュファクチャリング分野の国際標準化等) |
11.2.6.7 標準化人材育成の取組の強化(標準化人材育成) |
11.2.6.7.1 「標準化人材を育成する3つのアクションプラン」※4等に基づき標準化人材を育成 |
11.2.6.7.1.1 (具体例) |
11.2.6.7.1.2 経営層の標準化に対する理解の深化 |
11.2.6.7.1.3 最高標準化責任者(CSO:Chief Standardization Officer)の設置 |
11.2.6.7.1.4 政府によるルール形成戦略に関する情報の収集体制を強化等 |
11.2.6.7.2 標準関連業務に関与する知財に関する専門家としての弁理士の役割を明確化 |
11.2.6.8 用語 |
11.2.6.8.1 ※1デジュール標準:公的な機関で明文化され公開された手続により作成された規格 |
11.2.6.8.2 ※2コンソーシアム/フォーラム標準:特定分野に関心のある企業等が集まり、合意により作成された規格 |
11.2.6.8.3 ※3国内における業界団体を通じたコンセンサスを求めない規格化の仕組み |
11.2.6.8.4 ※4産官学から構成される「標準化官民戦略会議」の下の標準化人材WGにおいて、平成29年1月に本プランを策定 |
11.2.7 5.個別産業分野及び中小・ベンチャー企業等の視点からの検討 |
11.2.7.1 個別産業分野で行うことが適当な取組例 |
11.2.7.1.1 ものづくり等(ロボット分野) |
11.2.7.1.1.1 エッジコンピューティング※等のビジネスモデルを意識した知財ポートフォリオの構築 |
11.2.7.1.1.2 工場のネットワーク化のためのデータフォーマットの国際標準化の推進など |
11.2.7.1.2 モビリティ(自動車分野) |
11.2.7.1.2.1 車両データ等の第三者による不正利用に対する保護のルール作り |
11.2.7.1.2.2 商習慣の異なるIT業界による特許の動向を踏まえた、知財戦略の構築など |
11.2.7.1.3 健康・医療・介護(医療・介護及びバイオ分野) |
11.2.7.1.3.1 医療技術に関する事業者間のデータの保護のルール作り |
11.2.7.1.3.2 臨床データ等の取得方法やその保存のためのデータフォーマットの国際標準化の推進など |
11.2.7.2 中小企業等の支援の観点から行うことが適当な取組例 |
11.2.7.2.1 「地域知財活性化行動計画」(平成28年9月策定)に基づく、国内外での特許取得や海外展開の支援 |
11.2.7.2.2 「新市場創造型標準化制度」を利用した迅速な標準化による市場拡大の支援 |
11.2.7.2.3 大企業と中小・ベンチャー企業との連携の促進 |
11.2.7.3 用語 |
11.2.7.3.1 ※エッジコンピューティング:デバイス側に高度な情報処理機能を持たせ一定の処理を分散的に行わせることで、通信環境に左右されることなく大量のデータを処理する情報処理形態。 |
11.3 (検討項目詳細等) |
11.3.1 IoT俯瞰図(データ、産業財産権、標準の絡み合い) |
11.3.1.1 |
11.3.2 不正競争防止法等におけるデータ保護の在り方 |
11.3.2.1 |
11.3.3 利用権限に関する契約の在り方 |
11.3.3.1 データの取扱いに関しては、他者とデータを融通し合う商慣行や取決めが根付いておらず、契約当事者間でのデータを巡る権利関係の整理・明確化も必ずしも進んでいない。 |
11.3.3.2 |
11.3.3.3 企業間におけるデータの利活用や契約の実態に即した、保護の在り方や契約等のルールについて検討し、ガイドライン等を策定する。 |
11.3.4 産業財産権の対象としてのデータの取扱いの明確化 |
11.3.4.1 構造を有するデータについては、特許の対象となり得るが、具体的にどのような構造を備えれば特 許の対象となるのか、分かりづらい。 |
11.3.4.2 |
11.3.4.3 審査での判断手法を示すべく、審査ハンドブックでわかりやすい事例を公表済(平成29年3月)。 |
11.3.4.4 今後も権利取得の予見性を高める取組を行う。 |
11.3.5 IoTを活用したビジネスモデルを支える知財システムの在り方 |
11.3.5.1 どのようなビジネス関連発明が特許されるのか、取得した特許をどう活用すればいいのか分かりづらい。 |
11.3.5.2 IoT化はあらゆる技術分野に及ぶため、先行技術調査や審査の困難性が増している。 |
11.3.5.3 |
11.3.5.4 ソフトウェア関連発明に係る審査基準の点検を行う。(平成29年度中) |
11.3.5.5 IoTを活用したビジネス関連発明の特許の活用方法の整理を行う。(平成29年度中) |
11.3.5.6 IoT関連技術用に新設した特許分類を特許文献に対して着実に付与する。 |
11.3.5.7 分野横断的なIoT関連発明に対応するため審査体制を整備する。(平成29年度中) |
11.3.6 国境をまたいだ侵害行為に対する権利保護の明確化 |
11.3.6.1 特許発明の構成要件の一部が日本国外(例国外サーバ)で実施された場合に、特許権侵害に該当しないと判断されるおそれがある。 |
11.3.6.2 |
11.3.6.3 厳格な属地主義にとらわれずに、特許発明の実施地が日本国内であると柔軟に解釈することが考えられる。 |
11.3.6.4 他国における法適用の状況や、今後の裁判例の蓄積等を注視しつつ、引き続き検討を行う。 |
11.3.7 将来的なAIによる発明等の産業財産権上の取扱いの明確化 |
11.3.7.1 AIの技術進展により人間の関与が小さくなった創作に関し、成果物として得られた発明等の取扱いや、発明者の特定等について、論点を整理する必要がある。 |
11.3.7.2 |
11.3.7.3 AIを活用した創作には、現時点では人間の関与が必要であり、現行法で保護し得る。 |
11.3.7.4 AIが自律的に創作するというようなパラダイムシフトが現実になると見込まれた時点で、改めて制度の在り方の検討を行う。 |
11.3.8 3Dプリンティング用データの産業財産権上の取扱いの明確化 |
11.3.8.1 産業財産権を有する物品が3Dデータを介して複製された場合、三次元データの作成者等に対し、間接侵害を訴えることができるか否かを整理する必要がある。 |
11.3.8.2 |
11.3.8.3 「プログラム等」に該当する3Dデータは、保護の客体にも、間接侵害を構成する「物」にもなりうる。 |
11.3.8.4 データ・データ構造については、審査での判断手法を示すべく、審査ハンドブックでわかりやすい事例を公表済(平成29年3月)。 |
11.3.8.5 今後、社会的なニーズが高まった場合には、必要な措置について検討を行う。 |
11.3.9 標準必須特許を始めとする多様な特許紛争の迅速・簡便な解決① |
11.3.9.1 IoTの普及に伴い、様々なつながりが増加する中、知財(特に情報通信技術を利用する分野)の管理コストが増大するおそれ。米国では、パテント・トロール※による濫用的な権利行使が社会問題化 |
11.3.9.2 つなげる社会インフラの一部を構成する規格について、その実施に必要な特許をめぐる紛争が多発・長期化すれば、経済・産業に悪影響が及ぶおそれ |
11.3.9.3 |
11.3.9.4 標準必須特許をめぐる紛争を対象とし、行政が適正なライセンス料を決定するADR※制度(標準必須特許裁定)の導入を検討 |
11.3.10 標準必須特許を始めとする多様な特許紛争の迅速・簡便な解決② |
11.3.10.1 IoTの普及に伴い、中小・ベンチャー企業を含む多様な企業間の連携が増加する中、知財の管理コストが増大するおそれ |
11.3.10.2 特に、中小・ベンチャー企業は、交渉や訴訟への対応に当たり困難に直面する可能性 |
11.3.10.3 |
11.3.10.4 ライセンス契約や特許権侵害紛争を対象とし、中小企業等が使いやすいADR※制度(あっせん)について、民間ADR(日本知的財産仲裁センター等)との関係を整理した上で、制度設計を検討。 |
11.3.11 新市場創造型標準化制度や国立研究開発法人を活用した業種横断プロジェクトの推進 |
11.3.11.1 研究開発から標準化等が並行的に推移する中、①標準化の対象拡大(システム分野への広がり)、②標準獲得手法の複線化(デジュール+フォーラム/コンソーシアム、デファクト)に対応する必要がある。 |
11.3.11.2 |
11.3.11.3 「新市場創造型標準化制度」の活用や、国立研究開発法人を活用し、業種横断プロジェクトとして組成すべき案件の検討を行う等、官民の標準化体制を強化する。 |
11.3.12 国際標準化を推進するための体制・人材育成の在り方 |
11.3.12.1 欧米の戦略的な標準化や新興国の対応に対抗するため、標準化人材を確保・育成する必要がある。 |
11.3.12.2 |
11.3.12.3 産学官から構成される標準化官民戦略会議の下に設置された標準化人材育成WGにおいて策定した「標準化人材を育成する3つのアクションプラン」(平成29年1月)等に基づき標準化人材育成の取組の強化する。 |
11.3.12.4 標準関連業務に関与する知財に関する専門家としての弁理士の役割を明確化する。 |
11.3.13 中小・ベンチャー企業等における今後の対応 |
11.3.13.1 |
11.3.13.2 第四次産業革命の下で中小・ベンチャー企業等を取り巻くビジネス環境は変化 |
11.3.13.3 課題と対応策 |
11.3.13.3.1 IoT化に対応したビジネスに必要な特許を国内外で取得できていない。知財の重要性に関する認識が不十分 |
11.3.13.3.1.1 「地域知財活性化行動計画」(2016年9月策定)に基づいた、国内外での特許取得支援や、相談から出願、侵害対策まで一体となった海外展開支援の活用促進 |
11.3.13.3.2 技術競争力の獲得による市場拡大 |
11.3.13.3.2.1 新市場創造型標準化制度を利用した迅速な標準化の実現により、市場拡大を支援 |
11.3.13.3.3 中小・ベンチャー企業と大企業との連携促進 |
11.3.13.3.3.1 知財のマッチング等の推進 |
11.3.13.3.3.2 連携の際の留意点や連携で生じた懸念等に関する相談を知財総合支援窓口で受付 |
11.3.13.3.3.3 営業秘密の保護・管理に関する普及啓発 |
11.3.13.3.3.4 大企業が中小・ベンチャー企業との積極的な連携を通じて挙げた顕著な実績を知財功労賞の選考に反映 |
11.3.13.4 第四次産業革命に対応するための支援にあたっては、中小・ベンチャー企業等の実情を考慮する。 |
12 科学技術イノベーション総合戦略2017(案)【2017年4月21日】 |
12.1 5か年にわたる第5期科学技術基本計画(2016~2020年度)の下、科学技術イノベーション総合戦略を毎年度閣議決定し、来年度に向けて重きを置くべき取組を示す。我が国を「世界で最もイノベーションに適した国」に変革すべく、以下の取組を推進。 |
12.2 第1章重点事項 |
12.2.1 世界に先駆けてSociety 5.0を実現するために特に重要な事項。以下に加え、卓越した研究拠点や多様な学術研究を生み出す研究環境を確保することも重要。 |
12.2.2 (1)Society 5.0の実現 |
12.2.2.1 ・政府、産業界、学術界が一体となり国民参加の下で推進→若手研究者やベンチャー企業などのチャレンジを誘発 |
12.2.2.2 ・関係省庁等の取組を基礎研究から実用化まで一気通貫で実施→SIP(戦略的イノベーション創造プログラム)に関係省庁等の取組の方向性を合わせ推進 |
12.2.2.3 ・Society 5.0のコンセプトを世界に共有すべく発信 |
12.2.3 (2)「科学技術イノベーション官民投資拡大イニシアティブ」の着実な実行 |
12.2.3.1 GDP600兆円経済の実現に向け、総合科学技術・イノベーション会議(CSTI)の司令塔機能を強化し、3つのアクションを推進 |
12.2.3.2 ①予算編成プロセス改革アクション |
12.2.3.2.1 ・政府研究開発投資をテコとして民間研究開発投資を誘発 |
12.2.3.2.2 ・「研究開発投資ターゲット領域」を設定し、同領域への政府研究開発投資を重点化 |
12.2.3.2.3 ・SIP型マネジメントの各省への展開、ステージゲート評価の導入 |
12.2.3.2.4 →CSTIの司令塔機能の強化 |
12.2.3.3 ②研究開発投資拡大に向けた制度改革アクション |
12.2.3.3.1 ・大学と国研の聖域なき改革の断行と産学連携の深化 |
12.2.3.3.2 ・「組織」対「組織」の産学連携の促進 |
12.2.3.3.3 ・多様な資金の獲得に向けた取組の充実 |
12.2.3.3.4 ・評価性資産(土地・株等)の寄附拡大 |
12.2.3.3.5 ・公共調達の活用等による中小ベンチャー企業の育成・強化 |
12.2.3.3.6 ・技術シーズとニーズの実効あるマッチングの推進 |
12.2.3.3.7 ・イノベーションによる地方創生の推進 |
12.2.3.3.8 ・産学官連携による科学技術イノベーションを支える人材の育成促進 |
12.2.3.4 ③客観的根拠に基づく効果的な官民研究開発投資拡大アクション |
12.2.3.4.1 ・政府研究開発投資や政策効果等の「見える化」、適切な資源配分や評価の実現 |
12.2.3.4.2 ・重要な政策課題の判断材料を提供するエビデンスシステムの構築と活用 |
12.2.3.4.3 ・基本計画に基づく指標の継続的な検討、データの把握・公表によるフォローアップ |
12.2.3.4.4 →客観的根拠に基づく政策のPDCAサイクルを実現 |
12.2.4 Society 5.0とは |
12.2.4.1 |
12.2.4.2 第5期科学技術基本計画で提示された未来社会の姿。狩猟社会、農耕社会、工業社会、情報社会に続く、以下のような新たな経済社会をいう。 |
12.2.4.3 ①サイバー空間とフィジカル空間を高度に融合させることにより、 |
12.2.4.4 ②地域、年齢、性別、言語等による格差なく、多様なニーズ、潜在的なニーズにきめ細かに対応したモノやサービスを提供することで経済的発展と社会的課題の解決を両立し、 |
12.2.4.5 ③人々が快適で活力に満ちた質の高い生活を送ることのできる、人間中心の社会 |
12.3 第2章未来の産業創造と社会変革に向けた新たな価値創出の取組 |
12.3.1 |
12.3.2 (1)未来に果敢に挑戦する研究開発と人材の強化 |
12.3.2.1 ・ImPACTの継続的な運用の改善を通じた更なる発展 |
12.3.2.2 ・挑戦的研究開発を推進するプログラムの展開の促進 |
12.3.3 (2)新たな経済社会としての「Society 5.0」を実現する |
12.3.3.1 ・新たな価値創出を容易とするプラットフォームを構築 |
12.3.3.2 ・「高度道路交通システム」、「エネルギーバリューチェーンの最適化」、 |
12.3.3.3 「新たなものづくりシステム」をコアシステムとして開発 |
12.3.3.4 ①新たな価値やサービスの創出の基となるデータベースの構築と利活用 |
12.3.3.4.1 ・共通に活用可能な下記データベースの構築と利活用を先行的に推進(SIPの取組も活用) |
12.3.3.4.2 ・G空間や自動走行用地図等を基にした「地理系データベース」、気象データ及び衛星等による「環境系データベース」、サイバー攻撃等の情報収集に役立つ「サイバーセキュリティ系データベース」の構築 |
12.3.3.5 ②プラットフォームを支える基盤技術の強化 |
12.3.3.5.1 ・サイバー空間関連基盤技術の強化(AI技術、ネットワーク技術、ビックデータ解析技術等) |
12.3.3.5.2 ・人工知能技術戦略会議策定の産業化ロードマップ等を国家戦略とし、研究開発から社会実装まで政府一体で推進 |
12.3.3.5.3 ・フィジカル空間関連基盤技術の強化(ロボット技術、デバイス技術、素材・ナノテクノロジー、光・量子技術等) |
12.3.3.6 ③知的財産戦略と国際標準化の推進 |
12.3.3.6.1 ・競争領域と協調領域の見極め |
12.3.3.6.2 ・データベース構築、データ利活用を推進するインターフェース、データフォーマット等の標準化を推進 |
12.3.3.7 ④規制・制度改革の推進と社会的受容の醸成 |
12.3.3.7.1 ・AIやロボットを活用する現場の課題を踏まえて、制度の見直しやルールの策定等を先行的に検討 |
12.3.3.7.2 ・科学技術イノベーションの進展による倫理的視点や社会的影響を含め、産業界、学術界を交えて包括的に研究を実施 |
12.3.3.8 ⑤能力開発・人材育成の推進 |
12.3.3.8.1 ・IoT等を通じた新ビジネスの創出を担う人材等の育成 |
12.3.3.8.2 ・高度化する脅威に対するサイバーセキュリティの人材育成 |
12.3.3.8.3 ・数理科学や計算科学技術、データサイエンスの振興や人材育成 |
12.4 第3章経済・社会的課題への対応 |
12.4.1 (1)持続的な成長と地域社会の自律的な発展 |
12.4.1.1 ①エネルギー、資源、食料の安定的な確保 |
12.4.1.1.1 ⅰ)エネルギーバリューチェーンの最適化 |
12.4.1.1.1.1 (エネルギープラットフォームの構築/クリーンなエネルギー供給の安定化と低コスト化/水素社会の実現に向けた新規技術や蓄電池の活用等によるエネルギー利用の安定化/革新的な材料・デバイス等の幅広い分野への適用/エネルギー・環境イノベーション戦略の推進) |
12.4.1.1.2 ⅱ)スマート・フードチェーンシステム |
12.4.1.1.2.1 (バイオテクノロジーによる生物機能の高度利用/次世代育種システム/ニーズオリエンティッドな生産システム/加工・流通システム/実需者や消費者への有益情報伝達システム) |
12.4.1.1.3 ⅲ)スマート生産システム |
12.4.1.1.3.1 (AI、IoT、ビックデータ解析等を活用した生産性向上) |
12.4.1.2 ②超高齢化・人口減少社会等に対応する持続可能な社会の実現 |
12.4.1.2.1 ⅰ)世界最先端の医療技術の実現による健康長寿社会の形成 |
12.4.1.2.2 ⅱ)高度道路交通システム |
12.4.1.2.2.1 (自動走行システムに係る大規模実証実験等の開始、関連技術・システムの開発・実証の推進、応用実装・ビジネスモデルの確立) |
12.4.1.2.3 ⅲ)健康立国のための地域における人とくらしシステム |
12.4.1.2.3.1 (ICT等の活用による健康等情報の利活用の推進/支援を必要とする者の自立促進及び看護・介護等サービスの支援技術/人にやさしい住宅・街づくりに資する研究) |
12.4.1.3 ③ものづくり・コトづくりの競争力向上 |
12.4.1.3.1 ⅰ)新たなものづくりシステム |
12.4.1.3.1.1 (サプライチェーンシステムのプラットフォーム構築/革新的な生産技術の開発) |
12.4.1.3.2 ⅱ)統合型材料開発システム |
12.4.1.3.2.1 (信頼性の高い材料データベースの構築/高速で高効率な材料試作計測・評価技術の確立) |
12.4.2 (2)国及び国民の安全・安心の確保と豊かで質の高い生活の実現 |
12.4.2.1 ①効率的かつ効果的なインフラ維持管理・更新・マネジメントの実現 |
12.4.2.1.1 (構造物の劣化・損傷等を正確に把握する技術/補修・更新の必要性を判断する評価技術/強度や耐久性を付与する技術/アセットマネジメントシステムの構築) |
12.4.2.2 ②自然災害に対する強靱な社会の実現 |
12.4.2.2.1 (「予防力」「予測力」「対応力」の向上/府省庁連携災害情報共有方式の導入推進) |
12.4.2.3 ③国家安全保障上の諸課題への対応 |
12.4.2.3.1 (安全保障関係/テロ対策関係) |
12.4.2.4 ④おもてなしシステム |
12.4.2.4.1 (多言語音声翻訳システム/空間映像システム) |
12.4.3 (3)地球規模課題への対応と世界の発展への貢献 |
12.4.3.1 (地球環境情報プラットフォームの構築/生物多様性の保全を促す情報基盤の構築) |
12.4.4 (4)国家戦略上重要なフロンティアの開拓 |
12.4.4.1 (民間宇宙ビジネスの拡大に備えた関連規制の整備等) |
12.5 第4章科学技術イノベーションの基盤的な力の強化 |
12.5.1 (1)人材力の強化 |
12.5.1.1 ①知的プロフェッショナルとしての人材の育成・確保と活躍促進 |
12.5.1.1.1 ・国立大学や国研における先駆的な人事政策の促進(任期制若手研究者等のテニュア転換等) |
12.5.1.1.2 ・組織の新陳代謝を促す制度(シニア研究者等の任期付への転換等)による若手のポスト確保 |
12.5.1.1.3 ・人材育成に資する産学協同の研究開発投資の促進 |
12.5.1.2 ②人材の多様性確保と流動化の促進 |
12.5.1.2.1 ・女性リーダーの登用促進、女性が継続的に活躍できる環境整備 |
12.5.1.2.2 ・国外の優秀な研究者の受入れ及び国内への定着を促進する環境整備 |
12.5.1.2.3 ・産学官の壁を越えた人材流動化を促進する制度(クロスアポイントメント制度等)の導入促進 |
12.5.2 (2)知の基盤の強化 |
12.5.2.1 ①イノベーションの源泉としての学術研究と戦略的・要請的な基礎研究の推進 |
12.5.2.1.1 ・大学等が改革を断行し、民間とパートナーシップを築き、基礎研究に民間の投資を呼び込む取組の加速 |
12.5.2.2 ②研究開発活動を支える共通基盤技術、施設・設備、情報基盤の戦略的強化 |
12.5.2.2.1 ・ビックデータに対応した情報基盤等の強化 |
12.5.2.3 ③オープンサイエンスの推進 |
12.5.2.3.1 ・国際的なルールメイキングへの対応と公的資金の研究成果のオープン化(データプラットフォームの整備等) |
12.5.3 (3)資金改革の強化 |
12.5.3.1 ①基盤的経費の改革 |
12.5.3.1.1 ・大学や国研における長のリーダーシップによる改革の取組推進 |
12.5.3.2 ②外部資金獲得の強化による資金源の多様化 |
12.5.3.2.1 ・大学と同窓会組織とのつながりの強化など寄附が持続的に促進されやすい文化・環境の醸成 |
12.5.3.2.2 ・評価性資産(土地・株等)の寄附拡大に向けた分析と評価性資産の寄附を行いやすい制度の在り方を検討 |
12.5.3.2.3 ・外部資金の獲得に積極的な大学等の事例収集と周知 |
12.5.3.2.4 ・国立大学が保有する資産の利活用促進と老朽化対策等による施設機能向上、ベンチャー企業等へのインキュベーション施設等の貸付の推進 |
12.5.3.3 ③公募型研究資金の改革 |
12.5.3.3.1 ・公募型研究資金のより効果的・効率的な予算執行の実現 |
12.5.3.4 ④国立大学改革・国研改革と研究資金改革との一体的推進 |
12.5.3.4.1 ・民間から大学・国研等への投資3倍増の実現に向けた検討 |
12.5.3.4.2 ・国研によるベンチャー企業等への自己資金等を活用した出資機能の強化 |
12.5.3.4.3 ・ライセンス等の対価としての株式、新株予約権の取得と長期保有の在り方の検討 |
12.6 第5章イノベーション創出に向けた人材、知、資金の好循環システムの構築 |
12.6.1 (1)オープンイノベーションを推進する仕組みの強化 |
12.6.1.1 ・「組織」対「組織」の大型の産学官共同研究を推進 |
12.6.1.2 ・部局横断的に研究者を組織、研究開発を集中管理する組織の設置支援 |
12.6.1.3 ・技術シーズとニーズの実効あるマッチングの推進 |
12.6.2 (2)新規事業に挑戦する中小・ベンチャー企業の創出強化 |
12.6.2.1 ・小・中・高等学校から大学までを通じて起業家マインドを持つ人材の裾野拡大 |
12.6.2.2 ・公共調達の活用等による中小ベンチャー企業の育成・強化 |
12.6.2.3 ・大学発ベンチャー等に係るデータベース構築、ベンチャーキャピタルとのマッチングの推進 |
12.6.3 (3)イノベーション創出に向けた知的財産・標準化戦略及び制度の見直しと整備 |
12.6.3.1 ・ビックデータ、AI等に国際的視座から対応した知財システムの構築 |
12.6.3.2 ・標準化人材の育成や戦略的な標準化活動など国際標準化の変化への対応 |
12.6.4 (4)「地方創生」に資するイノベーションシステムの構築 |
12.6.4.1 ・地域経済の牽引役となる中核企業の発掘、一貫した成長支援 |
12.6.4.2 ・地域の強み、特性を踏まえた科学技術イノベーション施策による地方創生 |
12.6.5 (5)グローバルなニーズを先取りしたイノベーション創出機会の開拓 |
12.6.5.1 ・グローバルニーズを先取りする研究開発や新ビジネスの創出に向けた分析体制の構築 |
12.7 第6章科学技術イノベーションの推進機能の強化 |
12.7.1 ・大学と国研の聖域なき改革の断行 |
12.7.2 ・研究開発の特性を踏まえた政府調達の手続の迅速化 |
12.7.3 ・実効性ある科学技術イノベーション政策の推進と司令塔機能の強化 |
13 新産業ビジョン【2017年5月METI】 |
13.1 1.背景 |
13.1.1 「第4次産業革命」とも呼ぶべきIoT、ビッグデータ、ロボット、人工知能(AI)等による技術革新は、従来にないスピードとインパクトで進行しています。この技術革新を的確に捉え、これをリードするべく大胆に経済社会システムを変革することこそが、我が国が新たな成長フェーズに移行するための鍵となります。 |
13.1.2 産業構造審議会 新産業構造部会では、昨年8月より「新産業構造ビジョン」の策定に向けた議論を重ね、今般、中間整理を行いました。 |
13.1.3 |
13.2 2.中間整理のポイント |
13.2.1 1.第4次産業革命のインパクト |
13.2.2 2.我が国の基本戦略 |
13.2.3 3.第4次産業革命による社会の変革と産業構造の転換 |
13.2.4 4.第4次産業革命による就業構造転換 |
13.2.5 5.産業構造・就業構造の試算 |
13.2.6 6.我が国の具体的戦略 |
13.2.7 ①データ利活用促進に向けた環境整備 |
13.2.7.1 • データプラットフォームの構築、データ流通市場の創成 |
13.2.7.2 • 個人データの利活用の促進 |
13.2.7.3 • セキュリティ技術開発や人材育成等の強化 |
13.2.7.4 • 第4次産業革命における知的財産政策の在り方 |
13.2.7.5 • 第4次産業革命に対応した競争政策の在り方 |
13.2.8 ②人材育成・獲得、雇用システムの柔軟性向上 |
13.2.8.1 • 新たなニーズに対応した教育システムの構築 |
13.2.8.2 • グローバルな人材獲得 |
13.2.8.3 • 多様な労働参画の促進 |
13.2.8.4 • 労働市場・雇用制度の柔軟性向上 |
13.2.9 ③イノベーション・技術開発の加速化(「Society5.0」) |
13.2.9.1 • オープンイノベーションシステムの構築 |
13.2.9.2 • 世界をリードするイノベーション拠点の整備・国家プロジェクト構築・社会実装の加速(人工知能等) |
13.2.9.3 • 知財マネジメントや国際標準化の戦略的推進 |
13.2.10 ④ファイナンス機能の強化 |
13.2.10.1 • リスクマネー供給に向けたエクイティファインナンスの強化 |
13.2.10.2 • 第4次産業革命に向けた無形資産投資の活性化 |
13.2.10.3 • FinTechを核とした金融・決済機能の高度化 |
13.2.11 ⑤産業構造・就業構造転換の円滑化 |
13.2.11.1 • 迅速・果断な意思決定を可能とするガバナンス体制の構築 |
13.2.11.2 • 迅速かつ柔軟な事業再生・事業再編等を可能とする制度・環境整備 |
13.2.12 ⑥第4次産業革命の中小企業、地域経済への波及 |
13.2.12.1 • 中小企業、地域におけるIoT等導入・利活用基盤の構築 |
13.2.13 ⑦第4次産業革命に向けた経済社会システムの高度化 |
13.2.13.1 • 第4次産業革命に対応した規制改革の在り方 |
13.2.13.2 • データを活用した行政サービスの向上 |
13.2.13.3 • 戦略的な連携等を通じたグローバル展開の強化 |
13.2.13.4 • 第4次産業革命の社会への浸透 |
14 人工知能技術戦略(案) |
14.1 人工知能技術戦略会議(第5回) |
14.1.1 資料1 人工知能技術戦略(案) |
14.1.2 資料2 人工知能の研究開発目標と産業化のロードマップ(案) |
15 知的財産推進計画2017(2017年5月16日内閣官房知的財産戦略本部) |
15.1 構成 |
15.1.1 イノベーション創出 |
15.1.1.1 I-3グローバル市場をリードする知財・標準化戦略の一体的推進 |
15.1.1.1.1 ・総合的な知財マネジメントの推進(知財に加えデータ・標準等) |
15.1.1.1.2 ・国立研究開発法人を活用した業種横断的な標準化の推進、人材育成 |
15.1.1.2 I-2 知財システム基盤の整備 |
15.1.1.2.1 ・証拠収集手続の強化 |
15.1.1.2.2 ・ADR制度(標準必須特許裁定)の創設 |
15.1.1.3 I-1 データ、人工知能の利活用促進による産業競争力強化に向けた知財制度の構築 |
15.1.1.3.1 ・データ利用の契約ガイドラインの策定 |
15.1.1.3.2 ・不正競争防止法改正(データの不正取得等の禁止等) |
15.1.1.3.3 ・著作権法改正(柔軟性のある権利制限規定の整備) |
15.1.1.3.4 ・AI学習済モデルの特許化の具体的要件や保護範囲の検討 |
15.1.1.4 I第4次産業革命(Society5.0)の基盤となる知財システムの構築 |
15.1.2 地方創生 |
15.1.2.1 II-2地方・中小企業による知財活用と産学・産産連携の推進 |
15.1.2.1.1 ・中小企業への知財意識の普及啓発、知財を活用した海外展開支援 |
15.1.2.1.2 ・産学連携の橋渡し・事業化支援 |
15.1.2.2 II-1 「攻め」の農林水産業・食料産業等を支える知財活用・強化 |
15.1.2.2.1 ・地理的表示(GI)や植物品種の国内外での保護、相談体制の充実 |
15.1.2.2.2 ・我が国農林水産物の強みをアピールするJAS規格の制定 |
15.1.2.2.3 ・データ等を活用したスマート農業の推進 |
15.1.2.3 II-3 「国民一人ひとりが知財人材」を目指した知財教育・知財人材育成の推進 |
15.1.2.3.1 ・新学習指導要領における知財教育の充実 |
15.1.2.3.2 ・「知財創造教育推進コンソーシアム」によるカリキュラム・教材開発 |
15.1.2.3.3 ・「地域コンソーシアム」構築 |
15.1.2.4 II知財の潜在力を活用した地方創生とイノベーション推進 |
15.1.3 文化創造 |
15.1.3.1 III-1 コンテンツの海外展開促進と産業基盤の強化 |
15.1.3.1.1 ・「クールジャパン官民連携プラットフォーム」、地方版クールジャパン会議と拠点構築・相互連携 |
15.1.3.1.2 ・コンテンツ分野の人材育成・教育機関との連携 |
15.1.3.2 III-2 映画産業の振興 |
15.1.3.2.1 ・制作支援強化や資金調達の多様化による中小制作会社等の海外展開促進 |
15.1.3.2.2 ・ロケ撮影の環境改善に係る官民連絡会議 |
15.1.3.3 III-3 デジタルアーカイブの構築 |
15.1.3.3.1 ・国として分野横断統合ポータルを構築し、産学官連携の下、研究・ビジネス・インバウンド等に活用 |
15.1.3.4 III2020年とその先の日本を輝かせるコンテンツ力の強化 |
15.2 本文 |
15.2.1 はじめに |
15.2.2 I.第4次産業革命(Society5.0)の基盤となる知財システムの構築 |
15.2.2.1 1.データ・人工知能(AI)の利活用促進による産業競争力強化に向けた知財制度の構築 |
15.2.2.1.1 (1)現状と課題 |
15.2.2.1.2 (2)今後取り組むべき施策 |
15.2.2.2 2.知財システム基盤の整備 |
15.2.2.2.1 (1)現状と課題 |
15.2.2.2.2 (2)今後取り組むべき施策 |
15.2.2.3 3.グローバル市場をリードする知財・標準化戦略の一体的推進 |
15.2.2.3.1 (1)現状と課題 |
15.2.2.3.2 (2)今後取り組むべき施策 |
15.2.3 II.知財の潜在力を活用した地方創生とイノベーション推進 |
15.2.3.1 1.攻めの農林水産業・食料産業等を支える知財活用・強化 |
15.2.3.1.1 (1)現状と課題 |
15.2.3.1.2 (2)今後取り組むべき施策 |
15.2.3.2 2.地方・中小企業による知財活用と産学・産産連携の推進 |
15.2.3.2.1 (1)現状と課題 |
15.2.3.2.2 (2)今後取り組むべき施策 |
15.2.3.3 3.「国民一人ひとりが知財人材」を目指した知財教育・知財人材育成の推進 |
15.2.3.3.1 (1)現状と課題 |
15.2.3.3.2 (2)今後取り組むべき施策 |
15.2.3.4 Ⅲ.2020 年とその先の日本を輝かせるコンテンツ力の強化 |
15.2.3.4.1 1.コンテンツの海外展開促進と産業基盤の強化 |
15.2.3.4.1.1 (1)現状と課題 |
15.2.3.4.1.2 (2)今後取り組むべき施策 |
15.2.3.4.2 2.映画産業の振興 |
15.2.3.4.2.1 (1)現状と課題 |
15.2.3.4.2.2 (2)今後取り組むべき施策 |
15.2.3.4.3 3.デジタルアーカイブの構築 |
15.2.3.4.3.1 (1)現状と課題 |
15.2.3.4.3.1.1 |
15.2.3.4.3.2 (2)今後取り組むべき施策 |
15.2.3.4.3.2.1 我が国における分野横断型統合ポータル構築に向けたアーカイブ間の連携と利活用を促進するため、関係府省において以下の取組を推進することとする。 |
15.2.3.4.3.2.2 ①アーカイブ間連携と利活用の促進 |
15.2.3.4.3.2.2.1 (産学官でのデジタルアーカイブのフォーラムの開催) |
15.2.3.4.3.2.2.2 (デジタルアーカイブ推進のための工程表の作成) |
15.2.3.4.3.2.2.3 (国の統合ポータルの構築) |
15.2.3.4.3.2.2.4 (国の各アーカイブ機関におけるガイドラインの順守) |
15.2.3.4.3.2.2.5 (利活用の推進のための連携) |
15.2.3.4.3.2.2.6 (地方におけるアーカイブ連携の促進) |
15.2.3.4.3.2.3 ②分野ごとの取組の促進 |
15.2.3.4.3.2.3.1 (分野ごとのつなぎ役による取組と支援) |
15.2.3.4.3.2.3.2 (分野横断の取組) |
15.2.3.4.3.2.3.3 (書籍等分野) |
15.2.3.4.3.2.3.4 (文化財分野) |
15.2.3.4.3.2.3.5 (メディア芸術等分野) |
15.2.3.4.3.2.3.6 (放送コンテンツ分野) |
15.2.3.4.3.2.4 ③アーカイブ利活用に向けた基盤整備 |
15.2.3.4.3.2.4.1 (オープン化の促進) |
15.2.3.4.3.2.4.2 (アーカイブの構築と利活用の促進のための著作権制度の整備) |
15.2.3.4.3.2.4.3 (利活用の促進のための周辺環境の整備) |
15.2.3.4.3.2.4.4 (アーカイブ関連人材の育成) |
電子図書館事業20年を迎えた新たな方向性の模索 (要約)【2017年5月5日】
1 はじめに |
2 コミュニケーションの保存を振り返る |
3 インターネット文化でのデジタル化の意義 |
4 日本における大規模デジタル化の端緒 |
5 年表 |
6 国立国会図書館における電子図書館の発展の概要 |
6.1 1980年代から、海外の多くの先進的な図書館同様、日本でも電子図書館事業に取り組んできました。NDLは1992年、21世紀初頭に関西学術文化研究都市の一画に関西館を設置するために、具体的な構想を取りまとめました。関西館の予定する機能が、電子図書館的な機能であったこと、また国の産業構造審議会情報産業部会が公共部門の情報化を積極的に進めるべきとの提案を行ったことで、1994年に我が国で最初の大規模な電子図書館の実証実験プロジェクトを実施することとなりました。その後、2002年から本格的なサービスとして離陸し発展させて、現在に至っています。 |
7 電子図書館のシステム基盤の整備 |
7.1 NDLは、1994年1月、通商産業省(現 経済産業省)の高度情報化プロジェクト事業の一環で、情報処理振興事業協会と協力して、パイロット電子図書館プロジェクトを開始しました。このプロジェクトの目的は、21世紀の高度情報社会において、地球規模の知的財産を誰でも容易に利用できるように、広く分散して個々に収集・蓄積されている知的資源を、空間的・時間的制約を越えてアクセス可能とする環境を提供するというものです。 |
8 電子図書館サービスの離陸 |
8.1 実証実験の成果を踏まえて、2002年10月に開館した関西館を拠点として、近代デジタルライブラリー、インターネット資源選択的蓄積実験事業(WARP)、各種の電子展示会を公開・提供しました。 |
9 デジタルアーカイブの構築 |
9.1 資料のデジタル化に関しては、2009年5月から大規模なデジタル化を開始し、2015年1月までに、冊子体としては約246万冊、約2億枚の画像をデジタル化しました。これらは現在、国立国会図書館デジタルコレクションで提供しています。 また、2010年4月には 国等の公的機関のウェブサイトの制度収集を開始しました。 |
10 ナレッジデータベースの構築 |
11 デジタルアーカイブのポータルの構築 |
11.1 この計画に基づき、様々なデジタルアーカイブ内の情報を統合検索する仕組みの実用性を検証するために、デジタルアーカイブポータルプロトタイプ(ndldap)を開発・試験公開し、その後、実用システムとしてPORTAを構築、2007年10月に正式公開しました。この開発にあたっては、可能な限り先進技術の適用を意識したのも特徴です。 |
12 デジタルアーカイブのポータルの発展形 |
12.1 2010年に、我が国の第4期科学技術基本計画の策定に向けて決定された「科学技術基本政策策定の基本方針」(2010年6月総合科学技術会議基本政策専門調査会決定)で、「文献から研究データまでの学術情報全体を統合して検索・抽出が可能なシステム(「知識インフラ」)の展開を図る」という方向性が提示されました。これを踏まえて、NDLにおいて、2011年に「第三期科学技術情報整備基本計画」を策定し、国の知識インフラの構築の一翼を担うこととしました。「知識インフラ」とは、情報資源を統合して検索、抽出することが可能な基盤で、国内の各機関が保有する情報を意味的に関連づけて知識として集約し、新たな知識の創造を促進し、知識の集積・流通・活用と創造のサイクル構築を目指すものです。 知識インフラ構築の実現形の先行事例として、2013年3月には、「東日本大震災アーカイブ(ひなぎく)」を構築しました。大震災に関連する災害現象そのもの、災害前・災害直後・復興の過程、災害時の対応、他地域・次世代への教訓等のあらゆる記録を後世に残すとともに今後の防災に生かすため、関係府省、各種震災関連情報の保有機関と協力して分担収集・保存し、一元的に検索・閲覧できるようにしたものです。知識インフラ構築に必要なフレームワークと次世代技術を積極的に適用しています。 |
13 業務システム・最適化計画2013-2017 |
14 今後の国の情報政策と図書館 |
15 現状認識と、今後の図書館の活動の方向性 |
16 図書館における情報システム |
17 これからの図書館の運営に向けて |
17.1 LODを推進する組織として |
17.1.1 図書館のさまざまなデータを標準化する意義,規格の重要性等 |
17.1.1.1 必然性 |
17.1.1.1.1 サブトピック |
17.1.1.2 要素 |
17.1.1.2.1 メタデータ記述要素・記述規則 |
17.1.1.2.1.1 個々の書誌情報 |
17.1.1.2.1.2 個々の情報の永続的識別子 |
17.1.1.2.1.3 同義語辞書、シソーラス |
17.1.1.2.2 メタデータ交換通信規約 |
17.1.1.2.2.1 収集(ハーベスト) |
17.1.1.2.2.2 横断検索 |
17.1.1.2.2.3 格納・保存 |
17.1.1.2.2.4 提供 |
17.1.1.2.3 デジタルコンテンツ仕様 |
17.1.1.2.3.1 画像、音声、動画、電子書籍 |
17.1.1.2.4 デジタルコンテンツ交換仕様 |
17.1.1.2.4.1 OAISに準拠した情報パッケージ |
17.2 今後の図書館サービスの実現のためのタスクと必要なスキル |
17.2.1 文献を含めて、文化資産の収集・保存・修復・公開の技能 |
17.2.1.1 図書館が扱うものは、文献だけではない。 |
17.2.2 専門分野に関する知見(文化・芸術・学術) |
17.2.3 文化資産を取り扱うための知識・技能 |
17.2.3.1 |
17.2.3.1.1 保存・修復技術 |
17.2.3.1.2 文化資産に価値を見出し、情報として記述するカタロガー |
17.2.3.1.3 文化資産の価値を顕在化させて共有するための企画・発信するキュレーター |
17.2.3.1.4 文化資源と人々をつなぎ、新たな価値を創出するコーディネータ、エンベデッドライブラリアン |
17.2.3.1.5 文化資産を扱う活動の使命を明らかにし、その達成に向け経営資源を配分し、事業を統括するマネージャー |
17.2.4 デジタル技術を活用したアーカイブ化のための知見 |
17.2.4.1 |
17.2.4.1.1 文化資産を取り扱う様々な局面でITを活用し、文化資産をデジタル化し情報メディアに乗せていく技術を有する |
17.2.4.1.2 著作権をはじめとする知的財産権、肖像権、契約など各種法律分野に関する知識 |
17.2.5 文化資産を情報として収集・組織化・保存し、公開することを実現するシステムの開発・運用管理の知識・技能 |
17.2.5.1 |
17.2.5.1.1 効率的・効果的なシステム開発を行うシステムエンジニア |
17.2.5.1.2 先進技術の研究開発および実用化を目指す研究者 |
17.3 サービス構築に当たって留意したこと、してほしいこと |
17.3.1 留意してほしい姿勢(私の信条) |
17.3.1.1 効率化、人はより創造的な業務へ |
17.3.1.1.1 答えが1つでアルゴリズムが明確な業務は、システム化が容易⇒人でなくてもいい |
17.3.1.1.2 情報システムは、図書館員の仕事を効率化させる。そのシステムの開発には図書館員の力が必要。図書館員もITの知識が必要⇒システムライブラリアン |
17.3.1.2 公的機関にありがちな前例主義・横並び主義からの脱却 |
17.3.1.2.1 自分が利用者だったらどうなっていてほしいか |
17.3.1.2.2 「民間はできるが国だからできない」ということはない |
17.3.1.2.3 組織規則、内規は、変えられる |
17.3.1.3 与えられた権限には、実施の責任と義務を負っている |
17.3.1.3.1 使命を果たすために与えられた権限には「実施の責任と義務がある」 |
17.3.1.3.2 できる範囲をコツコツとではなく、できる部分は責任を持って実施 |
17.3.1.3.3 できない部分は、他にどのようにしてもらいたいかも、責任を持って提示 |
17.3.1.4 利用者以上のITスキルを持つ |
17.3.1.4.1 技術に進展は早い。若い利用者のIT利用技術は高い。 |
17.3.1.4.2 比して、従来からの来館利用者のスキルは? |
17.3.1.4.3 来館者のスキルが高くないのは、対応する図書館員のITスキルが高くないからでは |
17.3.1.5 One of themのNDLの役割を考える。Give&Takeの協力関係を想定する |
17.3.1.5.1 国全体がなすべき施策の中で、個別の業務の進め方を考える |
17.3.1.5.2 自分でできないことは、どのようにしてもらいたいかを提示(メリットも示す) |
17.3.1.5.3 個別案件の利害調整でなく、出版文化の発展に向けて、ビジネスモデル全体での役割調整 |
17.3.1.5.4 創造力を持ったサービスの設計 |
17.3.1.6 外部の動き(特に商用サービス)を知る組織外の情報を組織内へ |
17.3.1.6.1 他の図書館、出版界、他の業種、業態の人との交流の場、主催も。出向も積極的に |
17.3.1.7 今後10年を見据える |
17.3.1.7.1 世の中の動向を想定する。⇒自分の将来を見る |
17.3.1.7.2 今の延長で可能な範囲での実施でなく、今後10年の社会のニーズを見据え、国全体で何をする必要があるか? |
17.3.1.7.3 その時、図書館は?司書は? |
17.3.1.8 未来は自分が描き、自分で作る。 |
17.3.2 サービスの構築・運用にあたって |
17.3.2.1 サービスは、業務とシステムで実現 システムは、サービス要件に従って構築するもの |
17.3.2.1.1 サービスは、人による業務と人によって作られたシステムで実現 |
17.3.2.1.2 システムはサービスを向上させるためのもの。従来は人の行ってきたことをシステムに置き換えてきた。今は、システムを使って人の力ではできないサービスの実現を目指している |
17.3.2.1.3 システムは人が作ったサービス要件・業務要件に基づいて作られるもの。ただし、その要件は、現状の業務やサービスをそのまま定義したものであってはいけない。 |
17.3.2.1.4 その要件に従ったシステム化要件書(仕様書)に従って人が開発し運用するもの |
17.3.2.2 従来からの利用者には、より利便性の高いサービスがあることを伝える |
17.3.2.2.1 従来型のサービスの使い方を教えるのではなく、より便利になったサービスを伝える |
17.3.2.2.2 そのためには、図書館員自身がより便利な使い方を習得している必要がある |
17.3.2.2.3 より便利なサービスをシステムで実現するためには、世の中のサービスの動向、今システムでどこまでできるかを知っている必要がある |
17.4 NDLの今後 |
17.4.1 冊子体からデジタルへそして文化情報資産全般へ |
17.4.1.1 |
17.4.1.1.1 デジタル情報時代において、出版物は、冊子体から動画・音声等を含むマルチメディア化されたコンテンツへ移行しつつあります。 また、冊子体の原資料は文化財として保存するために、デジタル化していくことが求められています。 他の文化財も保有機関においてデジタル化が進む状況において、文化的資産をあらゆる人々が将来にわたり享受、活用できるようにし、人々の創造的な活用に貢献するためには、社会全体でデジタル情報資源の「見える化」はもとより、より効率的なアクセスの保障に取り組む必要があり、組織を越えたナショナルアーカイブは重要な役割を果たすことになります。 |
17.4.2 関係機関と連携して国として情報をアーカイブ、そして、世界規模のアーカイブ構築の一翼を担う |
17.4.2.1 |
17.4.2.1.1 産学官のそれぞれの組織は、これらの施策が同一の方向性を持って、相互に資源を補完し合っていく必要があります。 NDLは、ナショナルアーカイブの構築、さらに、世界レベルでの「インターナショナルアーカイブ」の構築へと発展することを目指し、その中核的な役割を担っていくべきと考えています。 |
17.4.3 知識創造を支援する図書館の役割の見直しを加速 |
17.4.3.1 |
17.4.3.1.1 同時に、今後10年のデジタル情報化の進展を見据えつつ、このようなナショナルアーカイブを利用して知識創造のための情報が入手できる状況になったときに、知識創造を支援する図書館の役割は何か、また図書館に必要な機能の検討を加速させる必要があると考えます。 |
17.5 皆さんへの期待 |
17.5.1 夢を実現させる強い意志 |
17.5.1.1 このような活動を推進させるためには、従前の事業にとらわれずに、将来への夢を持って、その夢を実現させる強い意志を持った若い人の力が必要です。 そのような人材が当館の採用試験に応募していただけることを期待しています。 |
17.5.2 10年後、20年後の社会を見据えて |
17.5.2.1 10年後、20年後をイメージして、それを実現するために自分は何をすればいいかを考え、それを実践してほしい。 |
17.5.2.2 個人として、組織として、世の中に貢献。組織としての責任と義務を果たして、存立し続けられるように。 |
17.5.2.3 理想と現実のギャップがあった場合は、理想を追求してほしい |
18 おわりに |
18.1 デジタル情報時代において、出版物は、冊子体から動画・音声等を含むマルチメディア化されたコンテンツへ移行しつつあります。また、冊子体の原資料は文化財として保存するために、デジタル化していくことが求められています。他の文化財も保有機関においてデジタル化が進む状況において、文化的資産をあらゆる人々が将来にわたり享受、活用できるようにし、人々の創造的な活用に貢献するためには、社会全体でデジタル情報資源の「見える化」はもとより、より効率的なアクセスの保障に取り組む必要があり、組織を越えたナショナルアーカイブは重要な役割を果たすことになります。 産学官のそれぞれの組織は、これらの施策が同一の方向性を持って、相互に資源を補完し合っていく必要があります。NDLは、ナショナルアーカイブの構築、さらに、世界レベルでの「インターナショナルアーカイブ」の構築へと発展することを目指し、その中核的な役割を担っていくべきと考えています。 同時に、今後10年のデジタル情報化の進展を見据えつつ、このようなナショナルアーカイブを利用して知識創造のための情報が入手できる状況になったときに、知識創造を支援する図書館の役割は何か、また図書館に必要な機能の検討を加速させる必要があると考えます。 |
図書館情報学研究(図書館システム・オープンデータ)ゼミ用資料インデックス
■■2017年度■■
■ゼミ用
- 全体要約
- 【2017年】準備中
■詳細説明資料
- 情報システムの構築
- 準備中
■マインドマップ
準備中
======================
■■2016年度■■
■ゼミ用
■詳細説明資料
- 情報システムの構築
- 今後の図書館サービスシステムと関係機関との連携
- 電子図書館サービスの歩み
- 今後10年を見据えたサービスの構築
- シートの構成 -- XMind Online Library
- 国の情報政策 -- XMind Online Library
- タスクディクショナリ (タスク小分類415項目) -- XMind Online Library
- タスク毎に必要なスキル詳細 (タスク小分類415項目) -- XMind Online Library
- スキルディクショナリ (スキル424項目・知識8256項目から抜粋)(別ファイルで更新中) -- XMind Online Library
- iCDスキル概要と情報処理試験(熟達度レベル評価判定) -- XMind Online Library
- 図書館情報システムに関連するタスクと必要なスキル -- XMind Online Library
- 知識インフラ構築の一翼を担う 組織の活動 -- XMind Online Library
- デジタルトランスフォーメーション時代のMLA業務のタスク (校正中) -- XMind Online Library
- 図書館情報システム構築のタスクプロフィール(政府標準ガイドライン準拠) -- XMind Online Library
- 図書館員に必要なITスキル要素 -- XMind Online Library
- 図書館業務のタスクプロフィール -- XMind Online Library
■参考資料